基于模糊域自适应的源自由域旋转机械故障诊断方法

doi:10.3901/JME.2024.18.043

机械工程学报 ›› 2024, Vol. 60 ›› Issue (18): 43-52.doi: 10.3901/JME.2024.18.043

扫码分享

基于模糊域自适应的源自由域旋转机械故障诊断方法

赵轲¹, 叶敏¹, 王瑞欣¹, 陆海², 刘孟孟³, 邵海东⁴

1. 长安大学工程机械学院西安 710054;
2. 国营长虹机械厂桂林 541003;
3. 西安现代控制研究所西安 710061;
4. 湖南大学机械与运载工程学院长沙 410082

收稿日期:2023-12-15 修回日期:2024-08-10 出版日期:2024-09-20 发布日期:2024-11-15
作者简介:赵轲,男,1998年出生,博士,讲师。主要研究方向为故障诊断与寿命预测,数据挖掘与信息融合。E-mail:zhaoke@chd.edu.cn
叶敏(通信作者),男,1978年出生,博士,教授,博士研究生导师。主要研究方向为工程机械故障诊断。E-mail:mingye@chd.edu.cn
基金资助:
国家自然科学基金(51905160,52275085)、长安大学青年学者学科交叉团队建设(300104240912)、湖南省自然科学基金优秀青年科学基金(2021JJ20017)和陕西省博士后科研(2023BSHEDZZ219)资助项目。

Fuzzy Domain Adaptation Approach for Source-free Domain Rotary Machinery Fault Diagnosis

ZHAO Ke¹, YE Min¹, WANG Ruixin¹, LU Hai², LIU Mengmeng³, SHAO Haidong⁴

1. School of Construction and Machinery, Chang'an University, Xi'an 710054;
2. State-owned Changhong Machinery Factory, Guilin 541003;
3. Xi'an Modern Control Research Institute, Xi'an 710061;
4. College of Mechanical and Vehicle Engineering, Hunan University, Changsha 410082

Received:2023-12-15 Revised:2024-08-10 Online:2024-09-20 Published:2024-11-15

摘要/Abstract

摘要： 现有的域自适应方法需要访问原始数据，因此存在潜在的数据隐私泄露风险。模糊域自适应通过生成模糊规则和关系，无需访问源数据，从而构建了域自适应模型。基于这一思想，提出一种基于模糊域自适应的源自由域旋转机械故障诊断方法。具体来说，在源域训练时，采用联合训练策略，通过共享模型参数同时训练所有源模型，显著提高每个私有源模型的多域性能。此外，提出的方法还建立一个融合模糊策略的模型，从源样本和各类别对应的锚点中获得模糊规则。在目标域自适应阶段，提出的方法首先使用目标数据重新训练源特征提取器，同时保持模糊规则不变。然后，引入锚点对齐策略，以传递诊断知识。最后，提出的方法设计过滤策略，获取高置信度的目标伪标签，并结合自监督学习策略对目标模型进行最终优化。经过滚动轴承跨域诊断案例和齿轮跨域诊断案例的验证，该框架是一种高效且安全的故障诊断解决方案。

关键词: 旋转机械故障诊断, 数据隐私泄露, 源自由域, 模糊域自适应, 自监督学习策略

Abstract: Existing domain adaptation methods require access to raw data, increasing the risk of data leakage. Fuzzy domain adaptation generates fuzzy rules and relationships without accessing source data. Leveraging knowledge from the source, this research proposes a novel method for source-free domain rotary machinery fault diagnosis using fuzzy domain adaptation. Specifically, during source domain training, a joint training strategy simultaneously trains all source models by sharing model parameters. This approach significantly enhances the multi-domain performance of each private source model. Additionally, a model with a fused fuzzy strategy is constructed to derive fuzzy rules from source samples and anchor points corresponding to various categories. In the target domain adaptation phase, the proposed method retrains the source feature extractor using target data while keeping the fuzzy rules fixed. Subsequently, an anchor point alignment strategy is introduced to transfer diagnostic knowledge. Finally, a filtering strategy is designed to obtain high-confidence target pseudo-labels, combining a self-supervised learning strategy for the ultimate optimization of the target model. After verification by rolling bearing cross-domain diagnosis cases and gear cross-domain diagnosis cases, the framework is an efficient and secure solution for fault diagnosis.

Key words: rotary machinery fault diagnosis, data privacy leakage, source-free domain, fuzzy domain adaptation, self-supervised learning strategy

中图分类号:

TH17

赵轲, 叶敏, 王瑞欣, 陆海, 刘孟孟, 邵海东. 基于模糊域自适应的源自由域旋转机械故障诊断方法[J]. 机械工程学报, 2024, 60(18): 43-52.

ZHAO Ke, YE Min, WANG Ruixin, LU Hai, LIU Mengmeng, SHAO Haidong. Fuzzy Domain Adaptation Approach for Source-free Domain Rotary Machinery Fault Diagnosis[J]. Journal of Mechanical Engineering, 2024, 60(18): 43-52.

参考文献

[1] ZHAO K，LIU Z，ZHAO B，et al. Class-aware adversarial multiwavelet convolutional neural network for cross-domain fault diagnosis[J]. IEEE Transactions on Industrial Informatics，2024，20(3)：4492-4503.
[2] 江星星，彭德民，沈长青，等. 快速固有成分滤波特征融合的轴承故障诊断方法[J]. 机械工程学报，2022，58(22)：129-139. JIANG Xingxing，PENG Demin，SHEN Changqing，et al. Feature fusion of fast intrinsic component filtering for bearing fault diagnosis[J]. Journal of Mechanical Engineering，2022，58(22)：129-139.
[3] 郑近德，应万明，潘海洋，等. 基于改进全息希尔伯特谱分析的旋转机械故障诊断方法[J]. 机械工程学报，2023，59(1)：162-174. ZHENG Jinde, YING Wanming, PAN Haiyang, et al. Improved Holo-Hilbert spectrum analysis-based fault diagnosis method for rotating machines[J]. Journal of Mechanical Engineering, 2023, 59(1)：162-174.
[4] 李响，付春霖，雷亚国，等. 保证数据隐私的装备协同智能故障诊断联邦迁移学习方法[J]. 机械工程学报，2023，59(6)：1-9. LI Xiang，FU Chunlin，LEI Yaguo，et al. Federated transfer learning method for privacy-preserving collaborative intelligent machinery fault diagnostics[J]. Journal of Mechanical Engineering，2023，59(6)：1-9.
[5] 陈祝云，钟琪，黄如意，等. 基于增强迁移卷积神经网络的机械智能故障诊断[J]. 机械工程学报，2021，57(21)：96-105. CHEN Zhuyun，ZHONG Qi，HUANG Ruyi，et al. Intelligent fault diagnosis for machinery based on enhanced transfer convolutional neural network[J]. Journal of Mechanical Engineering，2021，57(21)：96-105.
[6] KANG G，JIANG L，YANG Y，et al. Contrastive adaptation network for unsupervised domain adaptation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition，2019：4893-4902.
[7] ZHAO K，LIU Z，LI J，et al. Self-paced decentralized federated transfer framework for rotating machinery fault diagnosis with multiple domains[J]. Mechanical Systems and Signal Processing，2024，211：111258.
[8] QIAN W，LI S，JIANG X. Deep transfer network for rotating machine fault analysis[J]. Pattern Recognition，2019，96：106993.
[9] FERRACUTI F，FREDDI A，MONTERIU A，et al. Fault diagnosis of rotating machinery based on wasserstein distance and feature selection[J]. IEEE Transactions on Automation Science and Engineering，2021，19(3)：1997-2007.
[10] KUANG J，XU G，TAO T，et al. Self-supervised bi-classifier adversarial transfer network for cross-domain fault diagnosis of rotating machinery[J]. ISA transactions，2022，130：433-448.
[11] ZHANG Z，GUAN C，CHEN H，et al. Adaptive privacy-preserving federated learning for fault diagnosis in internet of ships[J]. IEEE Internet of Things Journal，2021，9(9)：6844-6854.
[12] ZHANG W，LI X，MA H，et al. Federated learning for machinery fault diagnosis with dynamic validation and self-supervision[J]. Knowledge-Based Systems，2021，213：106679.
[13] ZHAO K，HU J，SHAO H，et al. Federated multi-source domain adversarial adaptation framework for machinery fault diagnosis with data privacy[J]. Reliability Engineering & System Safety，2023，236：109246.
[14] TIAN J，ZHANG J，JIANG Y，et al. A novel generalized source-free domain adaptation approach for cross-domain industrial fault diagnosis[J]. Reliability Engineering & System Safety，2024，243：109891.
[15] WANG J，ZHANG H，MIAO Q. Source free unsupervised domain adaptation for electro-mechanical actuator fault diagnosis[J]. Chinese Journal of Aeronautics，2023，36(4)：252-267.
[16] LIU F，ZHANG G，LU J. Multisource heterogeneous unsupervised domain adaptation via fuzzy relation neural networks[J]. IEEE Transactions on Fuzzy Systems，2020，29(11)：3308-3322.
[17] LESSMEIER C. KIMOTHO J，ZIMMER D. et al. Condition monitoring of bearing damage in electromechanical drive systems by using motor current signals of electric motors：A benchmark data set for data-driven classification[C/CD]// European Conference of the Prognostics and Health Management Society，Bilbao (Spain)，2016.
[18] 张宗振，王金瑞，韩宝坤，等. 非线性稀疏盲解卷积的轴承早期故障诊断方法[J]. 机械工程学报，2023(16)：1-10. ZHANG Zongzhen，WANG Jinrui，HAN Baokun，et al. Early stage fault diagnosis method of bearings based on nonlinear sparse blind deconvolution[J]. Journal of Mechanical Engineering，2023(16)：1-10.
[19] LIANG J，HU D，FENG J. Do we really need to access the source data? source hypothesis transfer for unsupervised domain adaptation[C]//International Conference on Machine Learning，PMLR，2020：6028-6039.
[20] GAO Q，HUANG T，ZHAO K，et al. Multi-source weighted source-free domain transfer method for rotating machinery fault diagnosis[J]. Expert Systems with Applications，2024，237：121585.

基于模糊域自适应的源自由域旋转机械故障诊断方法

Fuzzy Domain Adaptation Approach for Source-free Domain Rotary Machinery Fault Diagnosis

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	严彤彤, 王冬, 彭志科, 雷亚国. 基于谱幅融合广义健康指数的可解释装备退化评估优化模型研究进展[J]. 机械工程学报, 2024, 60(18): 1-16.
[2]	李志鹏, 马天雨, 刘金平, 向青松, 唐俊杰. 基于非对称性对抗训练的多源域自适应智能故障诊断方法[J]. 机械工程学报, 2024, 60(18): 76-88.
[3]	任元强, 严嘉慧, 袁慎芳, 张巾巾. 时变影响下导波健康HMM的损伤定量诊断方法[J]. 机械工程学报, 2024, 60(16): 54-61.
[4]	严如强, 商佐港, 王志颖, 许文纲, 赵志斌, 王诗彬, 陈雪峰. 可解释人工智能在工业智能诊断中的挑战和机遇：先验赋能[J]. 机械工程学报, 2024, 60(12): 1-20.
[5]	严如强, 周峥, 杨远贵, 李亚松, 胡晨烨, 陶治宇, 赵志斌, 王诗彬, 陈雪峰. 可解释人工智能在工业智能诊断中的挑战和机遇：归因解释[J]. 机械工程学报, 2024, 60(12): 21-40.
[6]	袁静, 任港星, 蒋会明, 赵倩, 魏臣隽, 朱骏. 基于多元提升核神经网络的机械故障诊断方法及其特征提取可解释性研究[J]. 机械工程学报, 2024, 60(12): 51-64.
[7]	陈钱, 陈康康, 董兴建, 皇甫一樊, 彭志科, 孟光. 一种面向机械设备故障诊断的可解释卷积神经网络[J]. 机械工程学报, 2024, 60(12): 65-76.
[8]	王义, 丁嘉凯, 孙浩然, 秦毅, 汤宝平. 基于深度信号分离的航空发动机可解释智能诊断方法[J]. 机械工程学报, 2024, 60(12): 77-89.
[9]	王诗彬, 王世傲, 陈雪峰, 黄海, 安波涛, 赵志斌, 刘永泉, 李应红. 可解释性智能监测诊断网络构造及航空发动机整机试车与中介轴承诊断应用[J]. 机械工程学报, 2024, 60(12): 90-106.
[10]	余晓霞, 汤宝平, 魏静, 张志刚. 大转数波动条件下机理约束图权重增强网络的航空发动机附件机匣故障诊断方法[J]. 机械工程学报, 2024, 60(12): 126-136.
[11]	沈君贤, 马天池, 宋狄, 许飞云. 基于可解释选择性集成框架的离心风机叶片裂纹损伤检测[J]. 机械工程学报, 2024, 60(12): 183-193.
[12]	朱挺, 陈兆祥, 周笛, 陈震, 胡兵, 潘尔顺. 基于Bayesian-LSTM神经网络的热轧轧辊剩余寿命预测及不确定性评估[J]. 机械工程学报, 2024, 60(11): 181-190.
[13]	梁鹏, 赵文卓, 武通海, 冉毅. 发电机转子小齿裂纹的超声回波特性及在机检测方法[J]. 机械工程学报, 2024, 60(8): 11-21.
[14]	严如强, 许文纲, 王志颖, 朱启翔, 周峥, 赵志斌, 孙闯, 王诗彬, 陈雪峰, 张军辉, 徐兵. 航空发动机燃油控制系统故障诊断技术研究进展与挑战[J]. 机械工程学报, 2024, 60(4): 3-31.
[15]	邵海东, 林健, 闵志闪, 明宇航. 分布外样本干扰下基于改进半监督原型网络的齿轮箱跨域故障诊断[J]. 机械工程学报, 2024, 60(4): 212-221.