一种基于三元组模型的小样本轴承故障诊断方法技术

本发明专利技术公开了一种基于三元组模型的小样本轴承故障诊断方法，其方法包括以下步骤：对获取原始轴承一维时序信号进行预处理，得到二维时频图像；随机选取样本对输入三元组模型训练和迭代更新模型参数；提取训练样本的特征向量并计算各类轴承故障的特征向量均值；判别测试集样本的故障类别从而计算模型的性能。本发明专利技术利用三元组模型学习轴承故障类内和类间的特征，使用模型在训练样本较少的情况下，同样可以得到较高的轴承故障识别率。可以得到较高的轴承故障识别率。可以得到较高的轴承故障识别率。

【技术实现步骤摘要】
一种基于三元组模型的小样本轴承故障诊断方法


[0001]本专利技术属于机械
，具体来说设计一种基于三元组模型的小样本轴承故障诊断方法。

技术介绍

[0002]随着工业化的快速发展，航天航空、电力和制造工业等众多领域采用了大量的智能化旋转机械设备，轴承作为这些旋转机械的重要组成部件，轴承的健康状况关乎着这些设备的正常运转。但是这些设备的工作环境较恶劣，对轴承较易产生故障，因此若能及时的发现轴承的故障，可以节约大量的人力、物力，甚至是避免重大的生成事故。目前，随着人工智能的发展，深度学习在轴承故障诊断中得到了广泛的使用，并获得较好的故障识别率，但是其中的大部分基于深度学习的轴承故障诊断方法依赖于大量的训练样本，才能得到令人满意的结果。然而在实际的生产实践中并不能得到足够多的样本训练模型，因此提出一种基于三元组模型的小样本轴承故障诊断方法。

技术实现思路

[0003]针对上述问题，本专利技术的目的是提供一种基于三元组模型的小样本轴承故障诊断方法，该方法可以在少量轴承故障训练样本的情况下，得到较高的轴承故障识别率。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三元组模型的小样本轴承故障诊断方法，其特征在于，所述方法包括以下步骤：步骤1：获取轴承的振动时序信号，并将分为训练集和测试集；步骤2：分别对训练集和测试集的信号进行预处理，将一维的时序信号转换为二维信号；步骤3：将处理后的训练集样本输入到三元组模型中，每次随机的从训练集中选择三个样本作为三元组模型的输入，通过三元组模型的子模型分别将样本映射到一个128维的向量空间，得到对应的三个特征向量，三个特征向量的相似度作为模型的损失值，指导三元组模型的优化方向，如此循环迭代直至三元组模型收敛；步骤4：将训练集中样本输入到三元组模型中，获得每个样本的特征向量，将各类故障样本的特征向量求平均值，得到每类轴承故障的特征向量均值；步骤5：将测试集样本输入模型中，得到每个测试集样本的特征向量，将每个测试样本的特征向量分别与步骤4中得到的每类轴承故障的特征向量均值度量两者的相似度，特征相似度最高者则认为测试集样本为该类轴承故障。2.权利要求1中所述的一种基于三元组模型的小样本轴承故障诊断方法，其特征在于：在所述步骤1中，轴承的振动时序信号包括健康的轴承信号、滚动体故障的轴承信号、外圈故障的轴承信号和内圈故障的轴承信号。3.权利要求1中所述的一种基于三元组模型的小样本轴承故障诊断方法，其特征在于：在所述步骤1中，轴承的振动时序信号按照时间顺序划分为两部分，前一部分采用滑动窗口顺序采样的方法获得训练集样本，后一部分同样的方法获得测试集样本。4.权利要求1中所述的一种基于三元组模型的小样本轴承故障诊断方法，其特征在...

【专利技术属性】
技术研发人员：谢由生，朱国庆，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：