零试学习和特征提取的旋转机械故障诊断方法技术

本发明专利技术公开了零试学习和特征提取的旋转机械故障诊断方法，属于深度学习和故障诊断领域，包括特征细化模块主要解决现有大多数方法存在的跨数据集偏差问题，该模块将语义视觉映射整合到一个统一的生成模型中，以细化可见和不可见类样本的视觉特征，引入了自适应边缘中心损失来明确鼓励类内紧凑性和类间可分性，它与语义循环一致性约束结合，使特征细化模块能够学习更有区别的与类和语义相关的特征表示，本发明专利技术不仅有效地解决了跨数据集偏差问题，避免微调的低效和过拟合风险，并且具有显著的性能增益。能增益。能增益。

【技术实现步骤摘要】
零试学习和特征提取的旋转机械故障诊断方法


[0001]本专利技术涉及旋转机械故障诊断
，尤其是零试学习和特征提取的旋转机械故障诊断方法。

技术介绍

[0002]进入21世纪以来，机械设备的使用促进了国民经济的发展，而且为生产生活带来极大便利。目前，机械设备朝着智能化、精密化发展，然而由于零部件之间的相关性，一个微小的故障可能引起严重的后果，造成巨大的人力物力的损失。
[0003]在实际环境中，机械故障诊断又面临巨大的挑战。由于机械设备在高温、高压等恶劣环境下工作，机械负载会发生变化，而且数据类型丰富，但单一数据类型少，增加了检测故障的难度。同时，由于设备监测周期长、监测点多，会得到海量数据，但海量数据中寻找有用的数据又为机械故障诊断增加了难度。
[0004]针对故障数据稀缺问题，研究者曾在实验室里模拟故障样本，但模拟故障样本难以与真实数据相比较。面对实际问题，学者们旨在希望通过极少样本的训练实现故障诊断。

技术实现思路

[0005]本专利技术需要解决的技术问题是提供零试学习和特征提取的旋转机械故障诊断方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.零试学习和特征提取的旋转机械故障诊断方法，其特征在于：包括如下步骤：S1、获取数据集：获取数据集，并进行分划分为训练集、验证集和测试集；S2、数据预处理及特征提取：将获取的数据集划分为训练数据和测试数据并进行预处理，然后对预处理后的数据进行特征提取；S3、建立基于广义零试学习的特征细化模型：特征细化模型包括将VAE和GAN集成为统一的VAEGAN生成模型、特征细化模块和分类器，VAEGAN生成模型包括特征生成VAE和特征生成WGAN,在训练过程中分为两阶段的学习，第一阶段：使用以VAEGAN生成模型为框架，通过编码器E、解码器G和鉴别器D学习故障信息的特征信息和语义信息之间的映射关系，然后使用特征细化模块对故障真实信息和故障的伪信息进行对抗学习，并对真实/伪故障信息进行区别表示，通过边缘中心损失和循环一致性进行优化，对特征细化模块进行参数更新；第二阶段：使用训练过的特征细化模块对训练数据和测试数据进行特征信息进行细化，然后将细化后的真实故障特征信息和细化后的合成新类别的故障特征信息送入分类器进行分类识别，使用验证集数据检测模型性能，若检测效果好，则保存网络参数，否则继续调整超参数直到得到最优模型；S4、训练完成后，对测试集数据进行检测：将测试集数据送入网络中，经过特征提取、特征细化后的特征送入训练好的模型，评估模型的最终性能。2.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：对所述步骤S2中数据集进行特征提取，并将经过提取后的结果送入步骤S3中建立的VAEWAN生成模型和特征细化模块中进行训练。3.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中特征生成VAE包括编码器E(x,a)和解码器G(z,a)，编码器E(x,a)将输入的可见视觉特征x编码为潜在码z，而解码器G(z,a)将z重建为视觉特征特征生成VAE通过一个VAE损耗来优化：其中，是K
‑
L散度，p(z|a)是服从N(0,1)分布，是由
‑
logG(z,a)表示的特征重建损失。4.根据权利要求1所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤S3中特征生成WGAN包括解码器G(z,a)和鉴别器D(x,a)，解码器G(z,a)从随机输入的噪声z中合成一个视觉特征x1，鉴别器D(x,a)接受一个真实的视觉特征x或合成的视觉特征x1并输出一个真实值，表明真实或虚假的程度，G(z,a)和D(x,a)都以嵌入a为条件，通过WGAN损失优化：其中x
′
＝τx+(1
‑
τ)x1,τ～U(0，1),λ是权重系数。5.根据权利要求4所述的零试学习和特征提取的旋转机械故障诊断方法，其特征在于：所述步骤...

【专利技术属性】
技术研发人员：王金甲，李杰宁，王鑫，王倩，杨锡涛，
申请(专利权)人：燕山大学，
类型：发明
国别省市：