申请/专利权人：中国海洋大学

申请日：2023-04-18

公开（公告）日：2023-05-23

公开（公告）号：CN116150635A

主分类号：G06F18/22

分类号：G06F18/22;G01M13/04;G01M13/045;G06F18/23;G06F18/214;G06F18/2431;G06N3/0464;G06N3/09;G06N3/088;G06N5/04

优先权：

专利状态码：有效-授权

法律状态：2023.07.25#授权;2023.06.09#实质审查的生效;2023.05.23#公开

摘要：本发明属于故障诊断技术领域，公开了基于跨域关联性表示的滚动轴承未知故障检测方法，包括模型初始化阶段和模型聚类阶段，具体的：构建滚动轴承未知故障检测模型，包括因果推理编码器、伪标签生成模块；将滚动轴承数据集划分为类别已知的故障数据集和类别未知的故障数据集及混合数据集；将类别已知的故障数据集送入因果推理编码器进行有监督的训练；将类别已知的故障数据集、类别未知的故障数据集输入到训练好的因果推理编码器，获得预测输出，并将混合数据输入伪标签生成模块生成伪标签；将模型的预测输出和伪标签通过对比损失进行训练；本发明将有监督的特征提取过程应用于无监督的聚类过程，实现故障诊断与新类发现同时考虑。

主权项：1.基于跨域关联性表示的滚动轴承未知故障检测方法，其特征在于，包括两个阶段：模型初始化阶段和模型聚类阶段，模型初始化阶段用于训练监督模型，模型聚类阶段用于识别和发现新类，具体包括以下步骤：步骤1、构建滚动轴承未知故障检测模型，所述模型包括因果推理编码器、SoftMax层、伪标签生成模块和损失模块，所述因果推理编码器包括因果推理模块，所述伪标签生成模块用于在聚类阶段生成伪标签；步骤2、将滚动轴承数据集划分为类别已知的故障数据集和类别未知的故障数据集以及两者的混合数据集；步骤3、模型初始化阶段：将类别已知的故障数据集在模型初始化阶段送入因果推理编码器进行有监督的训练，得到一个学习到已知类别知识的因果推理编码器和旧分类器，训练好的因果推理编码器用于在模型聚类阶段提取特征；步骤4、模型聚类阶段：步骤4-1、将类别已知的故障数据集输入到在模型初始化阶段训练好的因果推理编码器中，经过SoftMax层获得预测的特征；将类别未知的故障数据集输入到训练好的因果推理编码器，经过多层感知机和SoftMax层获得预测的特征；将和两个特征拼接在一起作为模型的预测输出；步骤4-2、将混合数据集输入到伪标签生成模块，用于初始化伪标签生成模块参数；步骤4-3、将类别未知的故障数据集预测获得的特征输入到伪标签生成模块获得模型的伪标签；步骤5、将步骤4-1得到的模型的预测输出和步骤4-3得到的模型的伪标签通过对比损失进行训练，得到最终的未知故障检测模型；步骤6、将待检测的类别未知的滚动轴承数据输入步骤5训练好的模型，获得故障类别。

全文数据：

权利要求：

百度查询： 中国海洋大学 基于跨域关联性表示的滚动轴承未知故障检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD