一种基于单样本学习的电机轴承故障诊断方法技术

本发明专利技术公开了一种基于单样本学习的电机轴承故障诊断方法，属于计算机技术领域，包括以下步骤：设置每类不同样本数量和添加不同噪声强度；对已有的电机轴承一维振动信号进行数据扩充；将处理后的数据作为输入送入网络中进行训练和网络参数迭代更新；对测试样本进行故障诊断从而判别模型性能。本发明专利技术基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点。点。点。

【技术实现步骤摘要】
一种基于单样本学习的电机轴承故障诊断方法


[0001]本专利技术涉及计算机
，具体涉及一种基于单样本学习的电机轴承故障诊断方法。

技术介绍

[0002]随着技术和科学的快速发展，现代工业机械设备越来越功能复杂。旋转机械是现代工业应用中最重要的设备之一。滚动元件轴承，也被称为滚动轴承，是旋转机械的常见部件，滚动轴承故障会影响旋转机械的正常运行，造成严重的设备损坏和经济成本，有时甚至造成人员伤亡。许多研究表明，40
‑
50％的旋转机械故障是直接由滚动轴承故障直接引起的。因此，有效、快速、准确地诊断滚动轴承状态尤为重要，这个问题在前几年引起了研究人员和工程师的高度关注。
[0003]基于轴承振动信号的轴承故障诊断一般可分为两部分：特征提取和分类。但是并非所有的特征都对诊断有用，许多特征不仅增加了计算负担也会降低故障分类的精度。所以，之前大多数方法采用一些流行的降维方法包括独立成分分析(ICA)，主成分分析(PCA)等提取用的特征，之后这些特征被送入分类器中进行分类。
[0004]然而上述传统的故障诊断方法需要费本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于单样本学习的电机轴承故障诊断方法，其特征在于，包括以下步骤：步骤1：获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的样本数量训练孪生网络用于评判模型对样本数量的适应性；步骤3：将处理后的数据输入到所述孪生网络中，每次随机选择两个训练样本送入到孪生网络中进行训练，利用多尺度卷积神经网络和长短时记忆网络相结合的孪生网络子网络分别将输入映射为一个特征向量，根据两个特征向量之间的距离来度量两个输入之间的相似程度，从而判别两个输入是否属于同一类别，并使用Adam优化方法对孪生网络的参数进行迭代更新直至网络收敛；步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集，其余的测试样本均为无标签样本；测试时将支持集样本重复的与无标签的测试样本送入被训练好的孪生网络中进行诊断，相似度最高的支持集样本类别即可判定为测试样本所属类别。2.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤1中，电机轴承原始一维振动信号包括健康振动信号、内圈故障振动信号、外圈故障振动信号和滚动体故障振动信号。3.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤2中，将每一个数据集的一维振动信号切分为两个部分，前一部分使用滑动窗口重叠采样的方法获取训练样本，后一部分使用截取的方法获得测试样本。4.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤2中，生成样本尺寸为2048*1，并对测试集进行添加不同强度噪声操作，其中信噪比定义为：SNR＝10log
10
(P
signal
/P
noise
)其中P
signal
、P
noise
分别表示信号和噪声的有效功率。5.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：王兵，周阳，王子，李敏杰，米春风，杨海娟，汪文艳，卢琨，
申请(专利权)人：安徽工业大学，
类型：发明
国别省市：