文摘
提出了一种新的张量传输方法与semisupervised部分标签为智能故障诊断旋转机械学习。首先,振动信号通过试验,构造成一个三张量条件,和通道。其次,为适应源和目标域直接张量表示,没有向量化,领域适应(DA)的方法叫tensor-aligned不变子空间学习(TAISL)是第一个提出了张量表示当测试和训练数据是来自不同的分布。然后,semisupervised部分标签学习(SSPLL)是首次引入解决一个问题,很难标签大量的实例和存在数据留下标记。最终,该方法用于识别的缺点。该方法的有效性和可行性被传输故障彻底验证实验。实验结果表明,提出的方法可以实现更好的性能。
1。介绍
故障诊断是一个关键的过程,以确保工程系统的可靠和具有成本效益的性能研究。停机故障引起的部件,如轴承故障直接反映在大型系统的经济可行性1- - - - - -4]。因此,对于保持可靠性和操作安全,故障检测已经吸引了大量的关注(5]。
近年来,轴承的故障分类方法非常成功基于一个假设,即候选标签集提供所有培训的例子(6]。基于这样的假设,很多工作都是传统的智能故障诊断方法。刘等人。7)提出了一个个性化诊断方法来检测故障轴承基于加速度传感器和一个有限元法(FEM)模拟驾驶SVM。小说监督稀疏的特征提取方法,提出了旋转机械故障诊断(8]。文献[9)提出了一个新颖的基于local-global深层神经网络故障诊断方法的算法。深度学习模式命名可再生融合故障诊断网络提出了更新自动收集到的错误数据的增加(10]。如今,各种故障诊断方法丰富了故障诊断领域。一些新颖的智能故障诊断技术(11- - - - - -14也促进了故障诊断。它可以发现,这些方法只适用于矢量数据。除了这个,一些tensor-based诊断技术成为故障诊断领域的繁荣,特别是大数据时代的(5,15,16]。
尽管上述研究意识到不错的性能,他们可能遭受两个缺点如下:(1)通过文献回顾,可以看出,这些智能故障诊断方法的一个重要假设是,标签的训练和未标记测试数据来自相同的分布(17]。然而,假设失败的两个主要原因18]。首先,贴上故障信号很难获得一些设备。其次,一个智能故障诊断算法训练带安全标签的数据时可能失败在分类标记数据时,标记和未标记数据不同的机器上。因此,分布源和目标域之间存在差异,导致重要的分类性能退化(17]。为了处理域分布问题,DA技术开发(19]。
DA方法建立知识跨域转移从源通过研究领域一个域不变特征子空间(17]。DA技术已经成功地开发并应用于(20.,21]。文献[22)提出了一个风力涡轮叶片缺陷识别方法基于缺陷语义特征与传输特性提取器。文献[23基于测地线)提出了一种新颖的领域适应模型流内核(GFK)和特征提取和增强 - - - - - -分数归一化。除了这个问题,文献[24)提出了一个基于功能的传递神经网络识别电机轴承和齿轮箱轴承的健康状态。可转让的卷积神经网络(CNN) (25)提出了智能旋转机械的故障诊断。
不过,可以看出,现有的诊断技术转移与DA方法学习专注于矢量数据。因此,方法是用于建立高维数据;必须向量化的数据。除了这个,向量化总是导致高计算复杂度等等。
为解决这些问题,一种新的方法用于张量数据表示。该方法的思想是一个不变的张量空间用于调整(张量表示17]。
不同于张量子空间向量的子空间,总结一套子空间分别描述每种模式(21]。拟议的技术实现mode-wise部分适应减少维数的问题。因此,联合优化问题是由寻求制定这样一个张量子空间和学习的一致性矩阵(17]。这个问题是通过交替最小化优化方法。在跨域视觉识别,TAISL取得了巨大的成功。然而,并没有报道TAISL可用旋转机械故障分类的参考。
(2)通过文献综述,也可以看到,现有的方法通常假定每个培训真实例子是关联到一个标签。然而,人们只能获得一组候选标签与每个培训相关例子中只有一个标签是有效的在许多实际应用(6]。因此,部分标签学习(锁相环)提出了处理这类培训的例子(26]。锁相环的研究吸引了越来越多的关注,所以广泛的引用(提出了锁相环的方法27,28]。然而,并没有报道关于锁相环旋转机械故障分类的文献。
一个基本的假设是所有的候选标签集提供训练样本在前面研究锁相环。然而,在实际的应用程序中,这样的假设是困难的(6]。错误可以通过一组候选标签标示,但是仍然存在许多缺点,实际上没有标签的信息。
在这个工作中,很明显,锁相环和semisupervised学习(SSL)都无法解决这个问题。例如,尽管一些例子可能是非常有用的,大量的无标号实例通过锁相环被忽略。SSL假设真实单标牌是访问每一个标记的训练的例子,在我们这样的情况并非如此。
一个名叫SSPLL的新方法引入轴承故障诊断领域。关键是候选标签套部分标签实例消除了歧义和未标记的数据集分布信息同时使用例子。特别是候选标签套部分标签实例的迭代标签传播步骤消除了歧义的部分标签标记的例子和迭代标签传播过程用于分发有效标签标记算法示例。因此,提出了一种新的方法对轴承故障的分类与semisupervised部分标签学习基于张量表示。该方法的主要亮点归纳如下:(1)在张量空间处理域的转变问题,小说DA方法提出了轴承故障诊断基于张量表示(2)适应源域和目标域基于张量表示,张量转移学习介绍(3)解决一个问题,很难标签大量的实例和存在数据留下标记,一个名为SSPLL介绍的新方法来处理这个问题在智能故障诊断领域(4)实现标签信息传播过程中从源域到目标域,建立了加权图(5)协助迭代标签传播步骤,建立四归一化权重矩阵对应标签传播的四个阶段分别在这步工作
本文的其余部分的结构如下:在部分2该方法的基本理论。研究方法部分中所示3。发达的方法验证部分4。节5,得出了结论。
2。该方法的基本理论
在本节中,semisupervised部分标签理论学习。 表示 - - - - - -维空间和例子 代表了标签空间n分类标签在原始的锁相环。按照官方说法, 意味着部分标签训练集, 代表一个 - - - - - -维特征向量 和 意味着相关的候选标签集。一个关键的假设基础上对锁相环,真正的标签为是藏在其候选标签 因此无法获得的学习方法(6]。
训练集包含部分标签实例 和未标记示例 SSPLL。根据semisupervised部分标签训练集 ,识别模型 由于SSPLL,预测它的标签。请参阅[5,15,16该方法的基本理论。
3所示。该方法
拟议的框架技术如图1。
3.1。TAISL
请参考文献[29日TAISL的详细讨论。领域适应和转变基于张量表示如图2。
3.2。一项计划
适应领域的问题是解决通过引入源之间的不变子空间和目标域 。
SSPLL是困难的,学习方法是需要消除歧义候选标签套部分标签实例和同时利用未标记数据的分布信息。一个简单的方案提出了解释清楚候选标签套部分标签训练实例。例如,找到有效的单标牌从候选标签集。因此,一个简单的介绍了SSL问题来代替以前的问题。这种新的学习方法能够解决的问题。
标签集的一步消歧和无标号数据剥削在上面的技术完全分离。消歧精度不能被提高通过标记的例子。为解决这个关键限制,迭代标签传播算法将部分标签实例和未标记示例结构呈现SSPLL技术。
3.3。加权图施工程序
实现标签之间的信息传播的过程中源域设置 和目标域设置 ,一个加权图6] 建立在和 ,而顶点集代表了源训练集和顶点集的例子意味着目标训练集的例子。边集由导演的边缘和 。为每一个例子在目标训练集,它的 - - - - - -最近的邻居在源训练集是公认的。因此,图像的边缘是设置为 。
根据图建立以上, 权重矩阵 可以指定在哪里 如果 和 否则。摘要捕捉小例子之间的影响,重量计算方法提出申请在IPAL方法(27),选择权重通过处理一个新的优化问题:
从方程(1),一个线性最小二乘问题是安装在优化权向量,可以发现仅仅通过一个二次规划求解器进行求解。然后,行 利用规范化权重矩阵 。在这里, 是一个对角矩阵 。
3.4。迭代标签传播算法
四归一化权重矩阵建立了促进迭代标签单独标签传播的传播一步一步。特别是, 是用于从源域设置标签传播目标域设置 。 提出了品牌传播的本身。 用于标签传播来自哪里本身。 构建了品牌传播的来 。算法的详细描述见文献[6]。
4所示。实验验证
在这个工作中,证明该方法,介绍了方法相比。这些方法包含:GFK (30.(测地线流内核),TJM [31日](转移联合匹配),防卫厅(最早于32)(联合分布适应),柠檬酸(33)(传输成分分析)。
4.1。数据集
凯斯西储大学(34)和桂林电子科技大学获得的数据集。得到的数据使用0惠普,1 HP惠普2 HP, 3。四类总结外环出错(的),内套断层(如果),球断层(BF)和正常(N)。因此,12传输故障实验被用来验证该方法在本节中,在图3。此外,这三个错误的直径是0.007,0.014,和0.021英寸,分别。因此,十个条件四个加载用于演示了该方法的性能。该方法应用的参数设置 , , , ,和 。他们描述如下。
在本节中,证明了该方法在12传输实验,其中包含 , , , , , , , , , , ,和 。的代表了源域和1 0 HP惠普在目标域。标记样本在每个传输任务获得的源域,和未标记样本在每个传输任务的目标域。
以下4.4.1。在CWRU数据传输故障识别结果
标记示例了在源域,和未标记样本获得的目标域。部分标签样本得到在整个训练实例通过随机抽样 。实验结果呈现在图4。见图45,结果显示传输故障检测实验。转移的结果相比,该方法也有四个方法。根据比较结果,可以看出,该方法获得测试精度最高的12个转移任务中这四个方法。
(一)
(b)
(c)
(d)
从图4(一),平均测试该方法的精度是95.6%,这是最高的在这四个方法之一。将不适合处理张量数据,防卫厅到达最早于的平均测试精度35.7%,小于该方法获得的准确性。TJM的平均测试精度达到34.7%,GFK的准确性为31.8%。因为他们不能从张量中提取高层签名样本的目标领域,这两个技术实现贫困比方法的测试精度。柠檬酸,其平均精度达到37.8%,小于测试精度实现了该方法。
当 ,实验结果呈现在图4 (b)。从图4 (b),平均测试该方法的精度是96.8%,这是最高的在这四个方法之一。将不适合处理张量数据,平均防卫厅是最早于精度37.3%。TJM的平均测试精度达到36.8%,GFK的准确性为33.9%。柠檬酸,其平均精度达到39.7%。
当 ,实验结果呈现在图4 (c)。从图4 (c),平均测试该方法的精度是97.9%,这是最高的在这四个方法之一。将不适合处理张量数据,平均防卫厅是最早于精度39.2%。真耶稣教团测试精度38.4%,GFK的准确性为36.8%。柠檬酸,其平均精度达到41.8%。
实验结果呈现在图4 (d)当 。从图4 (d),平均测试该方法的精度是98.9%,这是最高的在这四个方法之一。由于不适合处理张量数据,防卫厅达到41.4%。最早于的平均测试精度TJM的平均测试精度达到41.9%,GFK的准确性为39.4%。柠檬酸,其平均精度达到44.8%。
根据实验结果,提出了技术能正确地、准确地分类12传输任务的目标域。结果清楚地表明,TRSSPLL技术可以识别故障类别比其他方法更准确和有效。
4.1.2。学校在制度数据集传输故障识别结果
在本节中,桂林电子科技大学获得的数据验证了技术学校(制度)。图5包含外环故障(的),球的错(BF),内套断层(如果),和正常的(N)。使用传输数据获得和三个旋转频率19.89赫兹,29.87赫兹,和39.84赫兹。因此,四个齿轮条件三个旋转频率计划建立来验证该方法的性能图6。的DA转换任务选择在这工作。获得的部分标签的例子是在整个训练实例通过随机抽样 。
实验结果显示在图7。与其他方法相比,提出的方法可以实现最好的结果。这进一步了该方法的有效性和优越性。此外,转移诊断任务可以受益于DA算法。学校的制度数据证明了方法的性能。
(一)
(b)
(c)
(d)
当 ,结果如图6跨域故障检测方法7(一)。从图7(一)可以看出,该算法的平均测试精度达到96.4%,这是最高的五个方法。的平均测试精度防卫厅,最早于TJM,捷孚凯和柠檬酸达到35.7%,43%,49%,和44.2%,分别。
当 ,结果如图6跨域故障检测方法7 (b)。可以看出,该算法的平均测试精度达到97.9%,这是最高的五个方法。的平均测试精度防卫厅,最早于TJM,捷孚凯和柠檬酸达到37.5%,45%,507%,和46.4%,分别。
当 ,结果如图6传输故障诊断方法7 (c)。算法的平均精度为98.6%,最高的五个方法。的平均测试精度防卫厅,最早于TJM,捷孚凯和柠檬酸达到39.5%,47.4%,52.8%,和48.6%,分别。
当 ,结果如图6跨域故障检测方法7 (d)。该算法的平均测试精度达到99.4%,这是最高的五个方法。的平均测试精度防卫厅,最早于TJM,捷孚凯和柠檬酸达到41.6%,49.3%,54.6%,和50.8%,分别。
根据实验结果,本文所提出的方法可以准确地识别六转移任务的目标域。结果清楚地表明,该技术可以识别故障类别比其他方法更准确和有效。
该方法是通过不同的实验数据进行验证。本文的目的是处理张量数据在源和目标域。至于防卫厅,最早于TJM,捷孚凯和柠檬酸,他们是传统的传输算法。它是不可否认的,他们有很多优点。他们只能解决基于矢量数据与跨域问题。
4.1.3。与相关的工作
一般故障识别问题假设训练和测试数据来自同一台机器上。各种故障分类方法(35- - - - - -38)已经意识到很高的测试精度。然而,这些方法不能处理跨域故障诊断问题。转移故障诊断问题,源和目标域数据获得的培训模式。在现有文献中,传输故障诊断方法(17,39提出了解决域转移问题。然而,该方法不能处理张量数据。除了这个,无标号数据不会被这些故障诊断技术。因此,对于处理转让、张量数据问题,和无标号数据,提出了一种新的张量转移方法对旋转机械智能故障诊断与semi-supervised部分标签学习本文。
本文的数据训练和测试分别在源和目标域,所以传输故障检测实验是更加困难比现有的跨域的任务。测试精度已经意识到98.9%和99.4%在两个传输任务的提升技术,分别。因此,根据结果,该方法具有竞争力。
5。结论
因为一些信息很难表示向量运算,因此,一种新的DA方法首次应用于基于张量表示直接调整源和目标域张量数据,没有向量化领域的智能故障诊断。然后,SSPLL提出了训练集由两种弱监督,即。、部分标记数据和未标记数据。迭代标签传播方法介绍,可以同时处理两种弱监督数据部分标记和未标记之间共同传播标签实例和得到一个好的标签分配。
使用方法实现更高的分类精度轴承健康状态算法相比,基于矢量表示。除了这个之外,实验结果验证了方法优于仅考虑一种弱监督的方法。在未来工作,模型将被用于大规模数据,监督数据疲软也将被认为是在动态环境中。然后,一个强大的子空间不变的张量需要在进一步的研究工作。
数据可用性
使用的数据来支持本研究的发现可以通过第一作者的电子邮件。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持广西重点实验室主任的制造系统和先进制造技术,桂林电子科技大学(批准号20 - 065 - 40 - 004 - z),广西自然科学基金(批准号2021 gxnsfba075050),中年和青年教师的基本能力促进广西项目(批准号2021 ky0213),中国国家自然科学基金(批准号52065013和52065013),广西自然科学基金,中国(批准号2018 gxnsfaa281276和2020 gxnsfaa159081)。