【技术实现步骤摘要】
一种基于原型网络的轴承故障诊断方法
[0001]本专利技术属于轴承故障诊断方法
,具体涉及一种基于原型网络的轴承故障诊断方法。
技术介绍
[0002]轴承是机械设备中不可或缺的部件之一,也是机械设备中极易发生故障的部件之一。如果轴承发生故障,轻则造成经济损失,重则威胁人身安全。因此对轴承进行故障诊断显得尤为重要,在轴承发生故障时能够及时的检测和维修,对机械设备的正常运转有很大的帮助,也能避免造成不必要的损失。
[0003]在故障诊断领域,深度学习由于其强大的非线性特征提取能力和表征能力受到广泛重视,然而,基于深度学习的故障诊断方法达到较高准确率的前提是需要大量的有标签数据进行训练的,在实际工程应用中,收集大量精准的有标签数据样本十分困难且代价昂贵,导致传统深度学习网络在小样本情况下容易出现过拟合的问题,导致模型准确率不高。所以,如何通过少量的有标签数据训练得到一个泛化性能好,准确率高的网络模型是一个值得研究的问题,即小样本问题的研究。
[0004]原型网络是元学习中基于度量的小样本学习方法之一,原型网络的基本思想是通过提取支撑集与查询集的特征,创建每个类的原型表示,并根据类原型与查询样本特征之间的欧式距离对查询样本进行分类。然而,基于欧氏距离的度量方式只能计算两者的线性距离,因此,本专利采用深度神经网络作为度量模块,可以更加准确的度量两者之间的距离,提高准确率。并将频谱作为原型网络的输入,采用从大到小的卷积核对输入样本进行特征提取,有利于充分提取故障特征,最终,通过改进原型网络进一步提高小样本情
【技术保护点】
【技术特征摘要】
1.一种基于原型网络的轴承故障诊断方法,其特征在于,包括以下步骤:获取多个样本轴承振动信号,将其划分成支撑集和查询集;通过快速傅里叶变换获得支撑集和查询集中轴承振动信号的频谱;利用深度神经网络作为度量模块;利用从大到小的卷积核作为特征提取模块;利用度量模块和特征提取模块构建轴承故障诊断的原型网络模型;将支撑集和查询集的频谱数据作为输入,通过原型网络模型获得查询集样本与支撑集中不同类别的类原型之间的关系得分和原型网络模型的损失函数值得到网络参数,将网络参数植入原型网络模型实现原型网络模型训练;利用训练好的原型网络模型对待测轴承振动信号进行分类,根据分类结果判断待测轴承的故障情况。2.根据权利要求1所述的基于原型网络的轴承故障诊断方法,其特征在于,利用下式通过快速傅里叶变换获得轴承振动信号的频谱,过快速傅里叶变换获得轴承振动信号的频谱,其中,t(n)为轴承振动信号,x(k)为轴承振动信号t(n)的频谱,N为轴承振动信号t(n)的采样点数目,W
N
为旋转因子。3.根据权利要求1所述的基于原型网络的轴承故障诊断方法,其特征在于,所述构建轴承故障诊断的原型网络模型的步骤包括:利用卷积核从大到小的四个卷积模块和两个池化层构建六层网络结构的特征提取模块;通过类原型计算公式构建类原型计算模块;利用深度神经网络构建度量模块;其中,深度神经网络包括:两个卷积模块、两个池化层和两个全连接层;将特征提取模块f
φ
()、类原型计算模块p()与度量模块g
φ
()的连接构成原型网络模型;每个卷积模块均包括:一维卷积层、批标准化层和激活函数。4.根据权利要求3所述的基于原型网络的轴承故障诊断方法,其特征在于,所述利用卷积核从大到小的四个卷积模块和两个池化层构建六层网络结构的特征提取模块的步骤包括:将卷积核从大到小的四个卷积模块分别作为特征提取模块的第一层网络、第三层网络、第五层网络和第六层网络;设定特征提取模块的第一层网络中一维卷积层卷积核大小为1*10,特征提取模块的第三层网络中一维卷积层卷积核大小为1*7,特征提取模块的第五层网络中一维卷积层卷积核大小为1*5,特征提取模块的第六层网络中一维卷积层卷积核大小为1*3;设定特征提取模块的第一层网络、第三层网络、第五层网络和第六层网络中的激活函数均为relu函数;将两个池化层分别作为特征提取模块的第二层网络和第四层网络;设定特征提取模块
的第二层网络和第四层网络中最大池化层大小均为1*2;按顺序连接特征提取模块的各层网络得到特征提取模块。5.根据权利要求3所述的基于原型网络的轴承故障诊断方法,其特征在于,所述类原型计算公式表示如下:式中,A为一类样本的特征向量;k为每类样本的个数;p(c
h
)为一类样本的类原型。6.根据权利要求3所述的基于原型网络的轴承...
【专利技术属性】
技术研发人员:赵志宏,张然,李春秀,杨绍普,吴冬冬,刘克俭,孙诗胜,顾晓辉,
申请(专利权)人:石家庄铁道大学,
类型:发明
国别省市:
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。