一种基于双图网络的小样本轴承故障诊断方法技术

本发明专利技术涉及一种基于双图网络的小样本轴承故障诊断方法，包括选取轴承故障的测试样本和训练样本，并对测试样本和训练样本进行预处理，采集数据点，构建元数据集；然后使用卷积神经网络提取元数据集的特征；并将提取出的特征和训练样本的标注信息输入双图网络，进而得到测试样本的故障类型。与现有技术相比，本发明专利技术具有准确度高、适用性强等优点。适用性强等优点。适用性强等优点。

【技术实现步骤摘要】
一种基于双图网络的小样本轴承故障诊断方法


[0001]本专利技术涉及故障诊断
，尤其是涉及一种基于双图网络的小样本轴承故障诊断方法。

技术介绍

[0002]近年来，工业设施健康诊断在智能制造领域受到了广泛的关注。具体来说，旋转机械故障的诊断至关重要，因为它们是设施的关键组成部分，而且对故障非常敏感。
[0003]小样本故障诊断任务是在具有有限标记数据的情况下进行故障诊断和分类。许多相关的深度学习方法已经被提出，如元学习、嵌入学习和生成建模，但是在小样本轴承故障诊断方面的成就较少。然而，直接使用传统的故障诊断方法进行小样本故障诊断任务会遇到过拟合、重复训练等问题，严重影响了故障诊断的准确性。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于双图网络的小样本轴承故障诊断方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于双图网络的小样本轴承故障诊断方法，包括以下步骤：
[0007]S1、选取轴承故障的测试样本和训练样本，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双图网络的小样本轴承故障诊断方法，其特征在于，包括以下步骤：S1、选取轴承故障的测试样本和训练样本，所述测试样本和训练样本均带有标注信息；S2、对测试样本和训练样本进行预处理，构建元数据集；S3、使用卷积神经网络提取元数据集的特征；S4、将步骤S3中的提取的特征和训练样本的标注信息输入双图网络，所述双图网络包括点图和分布图，计算得到点图的最终边特征，在双图网络损失值最小时，对每个测试样本进行类预测。2.根据权利要求1所述的一种基于双图网络的小样本轴承故障诊断方法，其特征在于，所述预处理步骤包括：C1、从所有样本中随机抽取N个连续信号段和N个连续信号点组成的W*W个连续信号数据点；C2、所有连续信号数据点的值归一化，将归一化后的值填充所有样本图像中对应位置的像素值，得到填充图像；C3、将填充图像转换为灰度图像，堆叠后得到形成大小为W*W*M的图像，作为元数据集。3.根据权利要求1所述的一种基于双图网络的小样本轴承故障诊断方法，其特征在于，所述类预测通过边馈入函数来计算，计算表达式为：式中，表示点图的最终边特征，x
i
表示第i个测试样本的特征，表示x
i
代表的样本的故障类型概率分布，y
j
表示中第j个训练样本的标注信息，onehot表示独热编码；NK表示分布级节点特征的维度。4.根据权利要求1所述的一种基于双图网络的小样本轴承故障诊断方法，其特征在于，所述点图的最终边特征计算步骤如下：B1、根据元数据集的特征，得到点图的初始节点特征；B2、根据点图的初始节点特征，结合编码网络计算点图的初始边特征；B3、根据训练样本的标注信息，得到分布图的初始节点特征，并根据点图的初始边特征，迭代计算分布图的最终节点特征；B4、根据分布图的最终节点特征，结合编码网络计算分布图的边特征；...

【专利技术属性】
技术研发人员：刘敏，汪韩，
申请(专利权)人：同济大学，
类型：发明
国别省市：