【技术实现步骤摘要】
一种基于属性描述的零样本滚动轴承故障诊断方法及系统
[0001]本专利技术涉及设备故障诊断领域以及信号处理领域，具体而言涉及一种基于属性描述的零样本滚动轴承故障诊断方法及系统。
技术介绍
[0002]滚动轴承故障诊断是现今工业生产过程不可或缺的任务，机械故障诊断是对工业生产设备进行维护的最佳途径。因滚动轴承长期处于连续工作状态且工作环境极其恶劣，故很容易产生损坏。一旦产生滚动轴承的损坏，轻则导致机器故障延误生产，重则造成重大事故甚至出现伤亡。因此，对滚动轴承的工作状况进行监测，确认已发生的故障类型并及时做出相应的零件更换具有重要意义。
[0003]近年来，深度学习技术迅猛发展，在图像识别与分割、自动驾驶、目标风格变换等方向都得到了广泛运用。卷积神经网络作为深度学习中的一类模式分析方法，因其强大的自适应特征提取能力以及学习能力，越来越多的学者和专家将其运用到故障诊断领域。赵晓平等提出了一种基于多任务深度学习模型的诊断方法，针对单标签系统会忽视复合故障之间关系的情况，引入了多标签系统，从而实现了对多故障情况的准确分类。汤...
【技术保护点】
【技术特征摘要】
1.一种基于属性描述的零样本滚动轴承故障诊断方法，其特征在于，采集滚动轴承对应各故障类型下的各故障信号数据，通过数据转变将各故障信号数据转换为对应的时频图像，得到滚动轴承时频图集，基于滚动轴承时频图集，应用以下步骤A至步骤E，训练并获得特征提取网络以及属性学习器，应用特征提取网络以及属性学习器，对待诊断滚动轴承进行故障预测，获得故障预测结果：步骤A、按照预设的比例将滚动轴承时频图集中的各个时频图像分为用于获得特征提取网络和属性学习器的训练集、以及用于测试特征提取网络和属性学习器的测试集，随后进入步骤B；步骤B、基于训练集中的时频图像，以时频图像中的各个故障类型为输入，以故障类型分别所对应的各个预设特征值为输出，对第一待训练网络按照预设迭代次数进行训练，获得训练集中时频图像中各个故障类型对应的特征提取网络，随后进入步骤C；步骤C、分别针对训练集中的各个故障类型，利用特征提取网络，得到该故障类型对应的各个预设特征值，利用预设属性标签对各个预设特征值进行标记，获得各个预设特征值分别所对应的各个故障属性特征值，即获得训练集中各个故障类型分别所对应的各个故障属性特征值，以故障类型对应的各个预设特征值为输入，以该故障类型对应的各个故障属性特征值为输出，对第二待训练网络按照预设迭代次数进行训练，获得属性学习器，随后进入步骤D；步骤D、分别针对测试集中的各个时频图像，依次利用特征提取网络、以及属性学习器获得时频图像对应的各个故障属性特征值，利用故障属性特征值对测试集中各个时频图像对应的故障类型进行预测，得到故障预测结果，随后进入步骤E；步骤E、分别针对测试集中的各个时频图像，利用包含预设属性标签的预设属性表对故障预测结果的准确率进行验证，如果不能满足预设的准确率，返回步骤B并对步骤B的预设迭代次数进行更新，如果满足预设的准确率，则输出步骤D中获得的故障预测结果。2.根据权利要求1所述的一种基于属...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。