一种改进关系网络的滚动轴承故障识别方法技术

一种改进关系网络的滚动轴承故障识别方法，涉及轴承故障识别技术领域，用以解决在少量标记样本情况下，现有滚动轴承故障识别模型对于故障识别效果不佳的问题。本发明专利技术的技术要点包括：根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现滚动轴承故障识别。本发明专利技术仅使用少量标记样本就可以训练出故障识别模型，解决了在某种型号轴承数据上训练的模型泛化能力差，不能有效用于其他型号轴承故障识别的问题。号轴承故障识别的问题。号轴承故障识别的问题。

【技术实现步骤摘要】
一种改进关系网络的滚动轴承故障识别方法


[0001]本专利技术涉及轴承故障分类
，具体涉及一种改进关系网络的滚动轴承故障识别方法。

技术介绍

[0002]滚动轴承是旋转机械的重要部件，一旦发生故障会直接影响机械装备的性能，甚至会造成危及生命的事故。因此，准确地诊断轴承的健康状态具有重要意义
[1]。滚动轴承通常工作在不同的负载下，而且不同机械装备中的轴承型号可能不同，这会提升轴承故障诊断的难度
[2]。在实际工程中，健康标记信息充足的可用轴承数据稀缺，这都使轴承故障诊断变得越来越具有挑战性
[3]。
[0003]故障诊断在机械装备健康管理中发挥着重要的作用。传统的故障诊断方法主要依赖于工程师们丰富的经验和专业知识，然而在工程中，人们期望故障诊断过程足够智能，能够自动检测和识别机器的健康状态
[4]。将机器学习理论应用到机械领域可以实现智能故障诊断。传统的机器学习理论主要有人工神经网络、支持向量机等
[5]。首先从采集的振动数据中提取一些常用的特征，如时域特征、频域特征和时频域特征，之后使用传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进关系网络的滚动轴承故障识别方法，其特征在于，包括下述步骤：步骤一、获取滚动轴承原始振动信号训练数据和测试数据；步骤二、对所述训练数据和所述测试数据进行预处理，分别获得源域数据集和目标域数据集；步骤三、将源域数据集输入基于改进关系网络的元学习训练模型，获得训练好的滚动轴承故障分类模型；其中，改进关系网络包括改进嵌入模块和关系模块，改进嵌入模块和关系模块通过端到端方式进行小样本元学习；步骤四、将目标域数据集输入训练好的滚动轴承故障分类模型，获得滚动轴承故障识别结果。2.根据权利要求1所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤一中所述滚动轴承原始振动信号在4种负载条件下采集，负载类型包括0hp、1hp、2hp和3hp；所述训练数据和测试数据包括正常状态、内圈、外圈、滚动体故障及不同损伤程度共10种状态的滚动轴承原始振动信号。3.根据权利要求2所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤二中所述预处理包括对所述训练数据和所述测试数据进行傅里叶变换，获得频域幅值序列。4.根据权利要求3所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤三中所述改进嵌入模块是对原始嵌入模块进行改进，原始嵌入模块由四个卷积块构成，改进嵌入模块将第二、三个卷积块替换成残差收缩模块，将第四个卷积块替换成带有SELU激活函数的残差模块。5.根据权利要求4所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤三的具体步骤包括：步骤三一、从源域数据集中随机选取C个类别，每个类别中选取K个样本作为源域支持集，从每个类别剩余的样本中选取N个样本作为源域查询集，则源域支持集样本和源域查询集样本共同构成一个C
‑
way K
‑
shot任务；步骤三二、将源域支持集样本和源域查询集样本输入到改进嵌入模块中，将输出的源域支持集特征和源域查询集特征进行拼接，组成特征对；步骤三三、将所述特征对输入到关系模块中计算关系分数，通过关系...

【专利技术属性】
技术研发人员：梁欣涛，王玉静，乔春阳，康守强，王庆岩，兰朝凤，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：