1 Unstar Star 1 Fork 0

阿明 / FaultDiagnosisMatlabApache-2.0

Create your Gitee Account
Explore and code with more than 5 million developers,Free private repositories !:)
Sign up
基于迁移学习的航空发动机健康监测模型研究 spread retract

Clone or download
阿明 authored Database
Cancel
Notice: Creating folder will generate an empty file .keep, because not support in Git
Loading...
README.md

用实际真值的健康监测

measure 测量参数真值 performance 性能参数退化值

Database

Database1——相关性分析后发现有效循环数=0时的数据距离太远,不可用。

训练数据

  • 2000 case1 有效循环数=0

  • 2000 case2 有效循环数=3000

  • 2000 case3 有效循环数=4500

测试数据

  • 2000 case4 有效循环数=6000 准确率99.89%

Database2——相关性分析后发现发动机模型数据距离太远,不可用。

训练数据

  • 2000 发动机模型数据 不加传感器噪声

  • 2000 case1 有效循环数=0

  • 2000 case2 有效循环数=3000

测试数据

  • 200 case3 有效循环数=4500 ××准确率96.21%××

  • 200 case4 有效循环数=6000 ××准确率93.19%××

Database3

训练数据

  • 800 000 历史积累数据——已完成

    • case满足退化规律 有效循环数每变化1生成100个样本,共8000次有效循环数

    • case向量中每个参数满足一个退化规律——曲线拟合

    • 退化规律曲线

    • 伪标签生成 3000~8000循环数生成伪标签

  • 退化程度相近的2台发动机数据(8×100×3000×2)——受限于算力,暂只进行3000循环下的诊断

    • Case权重为0.95和1.05 生成循环数为1~3000的两组样本

    • Case权重设置不合理,与目标域太相近了

测试数据

  • 100 case2 有效循环数=3000

  • 100 case3 有效循环数=4500

  • 100 case4 有效循环数=6000

  • 100 case 有效循环数=8000

Database4

诊断10个循环

时间 1117.652646 秒 18.5 分钟

每个循环数大约 100 秒

唐善玄 200 个样本 1691.445745 秒 28 分钟

训练数据

  • 800 000 历史积累数据——与Database3相同

  • 退化程度相近的20台发动机数据(8×100×10×20)

    • 性能参数、样本数、循环数、退化权重

    • Case权重为0.1、0.2、0.3...... 2.0 共20个

    • 生成循环数为3000:500:7500的10组样本,每组100个样本

    • 伪标签为当前循环数-1训练生成——更新数据库

测试数据

  • 100 有效循环数=3000:500:7500 的任一数据

Database5

训练数据

  • 800 000 历史积累数据——与Database3相同

  • 退化程度相近的20台发动机数据(8×100×10×20)

    • 性能参数、样本数、循环数、退化权重

    • Case权重为0.1、0.2、0.3...... 2.0 共20个

    • 生成循环数为3000:500:7500的10组样本,每组100个样本

    • 伪标签为前2999循环数训练生成——不更新数据库

测试数据

  • 100 有效循环数=3000:500:7500 的任一数据

Database_relative

验证相关性分析——退化程度相近的20台发动机数据(8×100×10×20)

  • 1、令算例case乘以系数向量 循环十次(系数向量要满足均匀分布 0.1 ~ 2(20个) 0.95~1.04) 生成20组样本(对应20台发动机)

  • 2、每台发动机每个case 100个样本

  • 3、相关性分析 选出与目标域最接近的2组样本 验证有效循环数为3000:500:7500 十个退化状态


程序集说明——FaultDiagnosis

1、Generate_fault_data.m

生成数据样本

  • Database1 & Database2

  • Database3——历史积累数据

  • Database3——退化程度相近的2台发动机数据

  • Database_ralative——验证相关性分析

2、Pseudo_tag_generation.m

对测试数据生成性能标签

方法:BP(已完成)、SVM、ELM、随机森林、卡尔曼滤波

3、MSTrAdaBoost_Domins.m

多源数据融合和域迁移主程序

故障诊断主程序

4、functions——子函数文件夹

  • DTN_unlabeled.m 域迁移程序

  • ForwardP.m 前向传播

  • Minibatch.m 批次提取

  • mixture.m 标签掺混

  • MLP_test_quan.m MLPs测试文件

  • MSTrAdaBoost_DTN.m 多源数据融合

  • Test_MSTrAdaBoost_quan.m 测试程序

5、TurboFan ——发动机模型文件夹

生成数据样本子函数

测量参数 8 个 measure 8×样本数

性能参数 8 个 performance 8×样本数

6、curve_fitting_case.m

Case拟合曲线程序

7、Plot_degradation_law.m

退化规律画图程序(在Origin中已画同样矢量图)

8、Related_Analysis.m

相关性分析程序

9、Pse_per_R2.m

计算伪标签的R2程序


Result

figure

a)退化规律曲线图——MATLAB & Origin

FaultDiagnosis\Figure\Orange\Case_plot.fig

FaultDiagnosis\Figure\Orange\Case_plot.bmp

b)程序流程图——Visio

FaultDiagnosis\Figure\Visio\程序流程图.bmp

2、Pse_per_R2.mat

Pse_per_R2_1 更新数据库的伪标签R2

Pse_per_R2_2 不更新数据库的伪标签R2

3、MMD.mat

相关性分析结果

4、result3000.mat

Comments ( 0 )

Sign in for post a comment

Matlab
1
https://gitee.com/ming_enjoy/FaultDiagnosis.git
git@gitee.com:ming_enjoy/FaultDiagnosis.git
ming_enjoy
FaultDiagnosis
FaultDiagnosis
master

Search

132457 8cb2edc1 1899542 131848 70c8d3a4 1899542