System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及人工智能,尤其涉及一种轴承故障识别方法和装置、电子设备及存储介质。
技术介绍
1、轴承是一种用来减少机器摩擦和传递力量的机械元件。当轴承出现故障时,会对对应器件的性能造成影响。相关技术中,利用深度神经网络进行轴承故障识别。但是相关技术中的方法要求训练数据和测试数据遵循相似的分布。但在实际情况中,机器往往在不同的工况(包括不同转速、不同负载等)下运行,使得轴承的故障数据分布产生偏移,即测试数据的分布与训练数据的分布有差异,从而造成故障识别出现偏差。因此,如果提供一种轴承的故障识别方法,以提高轴承故障识别的准确性,成了亟待解决的技术问题。
技术实现思路
1、本申请实施例的主要目的在于提出一种轴承故障识别方法和装置、电子设备及存储介质,旨在提高故障识别的准确性。
2、为实现上述目的,本申请实施例的第一方面提出了一种轴承故障识别方法,所述方法包括:
3、获取轴承在预设工况下的故障样本,和与所述故障样本对应的样本故障标签;其中,所述样本故障标签用于表示所述轴承的故障类型,所述预设工况包括预设源域工况和预设目标域工况,所述故障样本包括源域样本和目标域样本;
4、根据所述预设源域工况、所述源域样本和所述故障样本对应的样本故障标签构建源域数据集,根据所述预设目标域工况和所述目标域样本构建目标域数据集;
5、将所述源域样本和所述目标域样本输入至预设的原始故障识别模型;其中,所述原始故障识别模型包括故障特征提取器、故障分类器、工况特征提取器和工
6、根据所述故障特征提取器对所述源域样本、所述目标域样本进行故障特征提取,得到第一样本故障特征;
7、根据所述工况特征提取器对所述源域样本、所述目标域样本进行工况特征提取,得到第一样本工况特征;
8、根据所述第一样本故障特征、所述第一样本工况特征、与所述源域数据集对应的预设源域工况标签、与所述目标域数据集对应的预设目标域工况标签对所述工况分类器进行参数调整;
9、根据所述故障特征提取器对所述源域样本进行故障特征提取,得到第二样本故障特征;
10、根据所述第一样本故障特征、所述第二样本故障特征、所述样本故障标签、所述预设源域工况标签、所述预设目标域工况标签对所述故障特征提取器进行参数调整;
11、根据所述工况特征提取器对所述源域样本进行工况特征提取,得到第二样本工况特征;
12、根据所述第二样本工况特征、所述第二样本故障特征、所述样本故障标签对所述故障分类器进行参数调整;
13、根据所述第一样本工况特征、所述第二样本工况特征、所述预设源域工况标签、所述预设目标域工况标签、所述样本故障标签对所述工况特征提取器进行参数调整;
14、获取当前参数调整轮次,若所述当前参数调整轮次达到预设轮次,得到最终故障识别模型;其中,所述最终故障识别模型包括参数调整后的故障特征提取器和参数调整后的故障分类器;
15、根据参数调整后的故障特征提取器和参数调整后的故障分类器进行故障识别。
16、在一些实施例,所述根据所述第一样本故障特征、所述第一样本工况特征、与所述源域数据集对应的预设源域工况标签、与所述目标域数据集对应的预设目标域工况标签对所述工况分类器进行参数调整,包括:
17、根据所述工况分类器对所述第一样本工况特征进行工况识别,得到第一工况预测标签;
18、根据所述第一工况预测标签、所述预设源域工况标签和所述预设目标域工况标签构建第一工况子损失函数;
19、根据所述工况分类器对所述第一样本故障特征进行工况识别,得到第二工况预测标签;
20、根据所述第二工况预测标签、所述预设源域工况标签和所述预设目标域工况标签构建工况对抗子损失函数;
21、根据所述第一工况子损失函数、所述工况对抗子损失函数对所述工况分类器进行参数调整。
22、在一些实施例,所述根据所述第一样本故障特征、所述第二样本故障特征、所述样本故障标签、所述预设源域工况标签、所述预设目标域工况标签对所述故障特征提取器进行参数调整,包括:
23、根据所述故障分类器对所述第二样本故障特征进行故障识别,得到第一故障预测标签;
24、根据所述第一故障预测标签和所述样本故障标签构建第一故障子损失函数;
25、根据所述工况分类器对所述第一样本故障特征进行工况识别,得到第二工况预测标签;
26、根据所述第二工况预测标签、所述预设源域工况标签和所述预设目标域工况标签构建工况对抗子损失函数;
27、根据所述第一故障子损失函数、工况对抗子损失函数对所述故障特征提取器进行参数调整。
28、在一些实施例,根据所述第二样本故障特征、所述第二样本工况特征、所述样本故障标签对所述故障分类器进行参数调整,包括:
29、根据所述故障分类器对所述第二样本故障特征进行故障识别,得到第一故障预测标签;
30、根据所述第一故障预测标签和所述样本故障标签构建第一故障子损失函数;
31、根据所述故障分类器对所述第二样本故障特征进行故障识别,得到第二故障预测标签;
32、根据所述第二故障预测标签和所述样本故障标签构建故障对抗子损失函数;
33、根据所述第一故障子损失函数和所述故障对抗子损失函数对所述故障分类器进行参数调整。
34、在一些实施例,所述第一样本工况特征,第二样本工况特征、预设源域工况标签、所述预设目标域工况标签、所述样本故障标签对所述工况特征提取器进行参数调整,包括:
35、根据所述工况分类器对所述第一样本工况特征进行工况识别,得到第一工况预测标签;
36、根据所述第一工况预测标签、预设源域工况标签和所述预设目标域工况标签构建第一工况子损失函数;
37、根据所述工况分类器对所述第二样本工况特征进行故障识别,得到第二故障预测标签;
38、根据所述第二故障预测标签和所述样本故障标签构建故障对抗子损失函数;
39、根据所述第一工况子损失函数,所述故障对抗子损失函数对所述工况特征提取器进行参数调整。
40、在一些实施例,所述根据所述预设源域工况、所述源域样本和所述故障样本对应的样本故障标签构建源域数据集,根据所述预设目标域工况和所述目标域样本构建目标域数据集,包括:
41、根据预设滑动窗口对故障样本进行截取;
42、将预设源域工况对应的截取后的故障样本和对应的样本故障标签构建源域数据集;
43、将预设目标域工况对应的截取后的故障样本构建目标域数据集。
44、在一些实施例,所述根据参数调整后的故障特征提取器和参数调整后的故障分类器进行故障识别,包括:
45、获取轴承的当前故障样本;
46、根据预设滑动窗口对当前故障样本进行截取;
47、本文档来自技高网...
【技术保护点】
1.一种轴承故障识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本故障特征、所述第一样本工况特征、与所述源域数据集对应的预设源域工况标签、与所述目标域数据集对应的预设目标域工况标签对所述工况分类器进行参数调整,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本故障特征、所述第二样本故障特征、所述样本故障标签、所述预设源域工况标签、所述预设目标域工况标签对所述故障特征提取器进行参数调整,包括:
4.根据权利要求1所述的方法,其特征在于,根据所述第二样本故障特征、所述第二样本工况特征、所述样本故障标签对所述故障分类器进行参数调整,包括:
5.根据权利要求1所述的方法,其特征在于,所述第一样本工况特征,第二样本工况特征、预设源域工况标签、所述预设目标域工况标签、所述样本故障标签对所述工况特征提取器进行参数调整,包括:
6.根据权利要求1至5任一项所述的方法,其特征在于,所述根据所述预设源域工况、所述源域样本和所述故障样本对应的样本故障标签构建源域数据集,根据
7.根据权利要求6所述的方法,其特征在于,所述根据参数调整后的故障特征提取器和参数调整后的故障分类器进行故障识别,包括:
8.一种轴承故障识别装置,其特征在于,所述装置包括:
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质,所述存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种轴承故障识别方法,其特征在于,所述方法包括:
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本故障特征、所述第一样本工况特征、与所述源域数据集对应的预设源域工况标签、与所述目标域数据集对应的预设目标域工况标签对所述工况分类器进行参数调整,包括:
3.根据权利要求1所述的方法,其特征在于,所述根据所述第一样本故障特征、所述第二样本故障特征、所述样本故障标签、所述预设源域工况标签、所述预设目标域工况标签对所述故障特征提取器进行参数调整,包括:
4.根据权利要求1所述的方法,其特征在于,根据所述第二样本故障特征、所述第二样本工况特征、所述样本故障标签对所述故障分类器进行参数调整,包括:
5.根据权利要求1所述的方法,其特征在于,所述第一样本工况特征,第二样本工况特征、预设源域工况标签、所述预设目标域工况标签、所述样...
【专利技术属性】
技术研发人员:李锦兴,高雨,
申请(专利权)人:哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。