基于小样本学习的跨类别故障诊断方法、系统及存储介质技术方案

一种基于小样本学习的跨类别故障诊断方法，包括：结合部件A的带标注的历史工作数据建立故障诊断模型；结合部件B的带标注的历史工作数据建立支持集；获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。本发明专利技术中，采用部件A的历史工作数据训练故障诊断模型，保证了故障诊断模型训练对充足的训练数据进行学习，通过部件B提供包含少量标注样本数据的支持集，保证了通过该故障诊断模型对部件B进行信号类别诊断的可行性。

【技术实现步骤摘要】
基于小样本学习的跨类别故障诊断方法、系统及存储介质
本专利技术涉及滚动轴承振动信号处理
，尤其涉及一种基于小样本学习的跨类别故障诊断方法、系统及存储介质。
技术介绍
研究先进的机械故障诊断方法是保障设备与人员安全的重要内容，其中，轴承是旋转机械中最为重要的机械零件之一，广泛应用于电力、化工、冶金、航空等各个重要领域，同时轴承也是最容易损坏的元件之一，轴承性能和工况的好坏会直接影响到整台机器设备的性能，轴承性能和工况的缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏。因此，对滚动轴承进行故障诊断，尤其对滚动轴承早期故障的分析，尤为重要。现有技术中，深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断领域中最活跃的研究方向之一，基于深度学习的故障诊断框架具有强大的特征学习能力，能够通过多个隐藏层直接从原始传感器数据中学习分层表示，并自动选择有利于识别的特征，准确的进行故障分类。但是，基于深度网络的机械故障诊断的成功取决于以下两个条件:1)海量有标签的故障数据，2)训练和测试数据类别空间相同。但实际行业中通常会存在更为严重和实际的问题，即很少或甚至没有故障数据可以提前从目标设备的机械零件收集到故障数据。
技术实现思路
为了解决上述现有技术中对于数据采集困难的机械部件的故障诊断难度大的缺陷，本专利技术提出了一种基于小样本学习的跨类别故障诊断方法、系统及存储介质。本专利技术采用以下技术方案：一种基于小样本学习的跨类别故障诊断方法，包括以下步骤：H1、构建故障诊断模型：获得部件A实际工作条件下的历史工作数据，对部件A的所述历史工作数据标注信号类别，形成标注数据；构建由两条所述标注数据组成的样本对，并对样本对中两条标注数据的信号类别的相同与否进行标注，获得由多个带标注的样本对组成的训练集，并结合训练集进行模型训练以获得故障诊断模型；H2、建立支持集S：获得部件B实际工作条件下的历史工作数据，从部件B的所述历史工作数据中任选部分作为标注样本数据，并将剩余的历史工作数据作为部件B的测试数据；支持集包含部件B对应的所有信号类别，且每一个信号类别均关联有对应的标注样本数据；部件A和部件B为非同类部件；H3、跨类别故障诊断：获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。优选的，步骤H1具体包括以下步骤：H11、获得部件A实际工作条件下的历史工作数据并建立标注数据集合其中，表示部件A的历史工作数据；为的标签，表示归属的信号类别，nA表示DA中的标注数据数量；H12、构建训练集，训练集中带标注的样本对包含同类样本数据和异类样本数据其中，np表示同类样本数据的总数，nd表示异类样本数据的总数，表示标注数据属于同一信号类别，表示标注数据属于不同的信号类别；H13、获得神经网络模型；H14、从训练集中选择未被学习过的样本对作为学习对象，将学习对象带入所述神经网络模型，并计算损失函数；H15、结合损失函数计算结果对所述神经网络模型进行参数更新，然后返回步骤H14；H16、循环步骤H14和H15，对神经网络模型进行多次迭代修正后进行参数固定，获取参数固定后的神经网络模型作为故障诊断模型。优选的，步骤H14中，损失函数为：其中，表示所述神经网络模型的第k次迭代训练中所采用的样本对包含的标注数据，θk表示第k次迭代训练中神经网络模型的当前参数；当两者标签相同，则yk＝1，反之，yk＝0；表示在第k次迭代训练中所采用的训练样本对对应的激活函数值；mr为表示不同信号类别之间距离因子的常数，0＜mr＜1；α表示相同信号类别的权重因子，0＜α＜1；表示L2正则项，其中λ为常数，θi表示神经网络模型的第i个参数，n为神经网络模型中的参数总个数。优选的，φ(xi,xj,θ)＝sigmoid(FC(D2(xi,xj,θ)))；sigmoid表示激活函数，FC表示全连接层，D2(xi,xj,θ)表示样本对(xi,xj)在高维空间中的距离。优选的，训练集中包含的同类样本数据和异类样本数据数量相等，α＝0.5，mr＝0.7。优选的，步骤H2中建立的支持集S中，部件B对应的每一个信号类别均关联有n个对应的标注样本数据，步骤H3中执行n-shotK-way测试，以获得测试数据的信号类别。优选的，步骤H3具体包括：H31、集合部件B的测试数据建立测试数据集合表示部件B的测试数据，nB表示DB中的测试数据数量；H32、结合测试数据集合DB和支持集S建立测试集TB；其中，t表示部件B对应的信号类别数量，n表示各信号类别关联的标注样本数据数量，表示部件B对应的第j个信号类别中的第i个标注样本数据，H33、将测试集输入故障诊断模型，获得测试集中各测试数据的信号类别。优选的，部件B对应的信号类别数量小于部件A对应的信号类别数量。一种基于深度小样本学习的跨类别故障诊断系统，包括处理器和存储器；存储器存储有计算机程序，处理器用于在执行计算机程序时实现所述的基于小样本学习的跨类别故障诊断方法。一种存储介质，存储有计算机程序，所述计算机程序用于在被执行时实现所述的基于小样本学习的跨类别故障诊断方法。本专利技术的优点在于：(1)本专利技术中，通过部件A的采集数据训练故障诊断模型，通过部件B提供包含少量标注样本数据的支持集，从而通过测试数据与支持集中不同类别的标注样本数据的结合，组成不同的测试样本，通过故障诊断模型对各测试样本进行机器标注，以获得与测试数据的信号类别相同的标注样本数据，从而获得该标注样本数据对应的信号类别作为对测试数据的诊断结果。如此，将信号类别设置为正常信号和故障信号的故障类型，便将部件B的待识别信号作为测试数据通过故障诊断模型进行诊断。(2)本专利技术中，采用部件A的历史工作数据训练故障诊断模型，避免了部件B数据采集困难导致难以提供海量训练数据的问题，保证了故障诊断模型训练对充足的训练数据进行学习，从而保证了模型的精度。同时，通过部件B提供包含少量标注样本数据的支持集，保证了通过该故障诊断模型对部件B进行信号类别诊断的可行性。(3)本专利技术中定义了参数加权因子α和参数距离因子mr，使类内距离更近，类间距离更远，从而可以高精度的汇总相同类别的信号，并分离不同类别的信号。同时，通过权重因子α和样本对在高维空间中的距离的结合，使得该故障诊断模型具有更加明确的分类边界，从而实现了对损失函数的优化，提高了该故障诊断模型的泛化能力。(4)训练集中包含的同类样本数据和异类样本数据数量相等。如此，在对神经网络模型进行迭代训练过程中，可保证用于训练的同类样本数据与异类样本数据相接近，从而保证训练完成的故障诊断模型对同类本文档来自技高网...

【技术保护点】
1.一种基于小样本学习的跨类别故障诊断方法，其特征在于，包括以下步骤：/nH1、构建故障诊断模型：获得部件A实际工作条件下的历史工作数据，对部件A的所述历史工作数据标注信号类别，形成标注数据；构建由两条所述标注数据组成的样本对，并对样本对中两条标注数据的信号类别的相同与否进行标注，获得由多个带标注的样本对组成的训练集，并结合训练集进行模型训练以获得故障诊断模型；/nH2、建立支持集S：获得部件B实际工作条件下的历史工作数据，从部件B的所述历史工作数据中任选部分作为标注样本数据，并将剩余的历史工作数据作为部件B的测试数据；支持集包含部件B对应的所有信号类别，且每一个信号类别均关联有对应的标注样本数据；部件A和部件B为非同类部件；/nH3、跨类别故障诊断：获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。/n

【技术特征摘要】
1.一种基于小样本学习的跨类别故障诊断方法，其特征在于，包括以下步骤：
H1、构建故障诊断模型：获得部件A实际工作条件下的历史工作数据，对部件A的所述历史工作数据标注信号类别，形成标注数据；构建由两条所述标注数据组成的样本对，并对样本对中两条标注数据的信号类别的相同与否进行标注，获得由多个带标注的样本对组成的训练集，并结合训练集进行模型训练以获得故障诊断模型；
H2、建立支持集S：获得部件B实际工作条件下的历史工作数据，从部件B的所述历史工作数据中任选部分作为标注样本数据，并将剩余的历史工作数据作为部件B的测试数据；支持集包含部件B对应的所有信号类别，且每一个信号类别均关联有对应的标注样本数据；部件A和部件B为非同类部件；
H3、跨类别故障诊断：获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。


2.如权利要求1所述的基于小样本学习的跨类别故障诊断方法，其特征在于，步骤H1具体包括以下步骤：
H11、获得部件A实际工作条件下的历史工作数据并建立标注数据集合
其中，表示部件A的历史工作数据；为的标签，表示归属的信号类别，nA表示DA中的标注数据数量；
H12、构建训练集，训练集中带标注的样本对包含同类样本数据和异类样本数据
其中，np表示同类样本数据的总数，nd表示异类样本数据的总数，表示标注数据属于同一信号类别，表示标注数据属于不同的信号类别；
H13、获得神经网络模型；
H14、从训练集中选择未被学习过的样本对作为学习对象，将学习对象带入所述神经网络模型，并计算损失函数；
H15、结合损失函数计算结果对所述神经网络模型进行参数更新，然后返回步骤H14；
H16、循环步骤H14和H15，对神经网络模型进行多次迭代修正后进行参数固定，获取参数固定后的神经网络模型作为故障诊断模型。


3.如权利要求2所述的基于小样本学习的跨类别故障诊断方法，其特征在于，步骤H14中，损失函数为：



其中，表示所述神经网络模型的第k次迭代训练中所采用的样本对包含的标注数据，θk表示第k次迭代训练中神经网络模型的当前参数；当两者标签相同，则yk＝1，...

【专利技术属性】
技术研发人员：徐娟，史永方，周龙，徐鹏飞，房梦婷，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34