一种基于小样本的轴承故障诊断方法及系统技术方案

本发明专利技术提出一种基于小样本的轴承故障诊断方法及系统，涉及轴承故障诊断的技术领域，首先采集轴承原始的振动信号，避免当前将信号进行预处理的操作成本高，且容易把原始信号的关键信息屏蔽的不良后果，核心基于孪生神经网络模型，将具有相同或不同故障类别标签的信号样本组成样本对，对孪生神经网络进行训练和测试，最后利用N

【技术实现步骤摘要】
一种基于小样本的轴承故障诊断方法及系统


[0001]本专利技术涉及轴承故障诊断的
，更具体地，涉及一种基于小样本的轴承故障诊断方法及系统。

技术介绍

[0002]故障诊断广泛应用于制造、航空航天、汽车、发电、运输等多个领域。近年来，随着深度学习的飞速发展，基于深度学习的智能故障诊断技术避免了对耗时、不可靠的人工分析的依赖，提高了故障诊断效率，引起了人们的广泛关注。
[0003]轴承故障诊断可监测轴承在实际工作条件下的运行状态，从而在不停止生产线的同时预防轴承故障而引发系统崩溃的发生。深度学习是一种有效的技术手段，然而，基于深度学习的轴承故障诊断一般都需要都需要大量的训练数据，在实际故障诊断中，同一故障的信号在不同工作条件下往往存在较大的差异，导致故障诊断面临重大挑战，往往无法获得足够的样本，以使分类器对每种故障类型具有鲁棒性，出现这种情况可能有几个原因:(1)由于不良后果，行业系统不允许轴承运作进入故障状态，特别是对关键系统和故障；(2)大多数机电故障发生缓慢，并遵循退化路径，因此，系统的故障退化可能需要数月甚至数年，这使得收集相本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本的轴承故障诊断方法，其特征在于，所述方法包括以下步骤：S1.采集轴承原始的振动信号，对原始的振动信号标注故障类别标签，得到具有标签的信号样本；S2.将具有相同或不同故障类别标签的信号样本组成样本对，若干个样本对构成训练集；S3.构建孪生神经网络模型，将训练集输入孪生神经网络模型并训练该模型，得到训练好的孪生神经网络模型；S4.从训练集中随机选择若干信号样本形成每一次的支持数据集，采用N
‑
shot K
‑
way测试法，利用每一次的支持数据集对训练好的孪生神经网络模型进行测试，输出概率距离；S5.基于概率距离确定故障类别。2.根据权利要求1所述的基于小样本的轴承故障诊断方法，其特征在于，设某一个信号样本表征为x
r
，r＝1,2，...，k，设单样本共k种故障类别标注，则具有标签的信号样本表示为：(x1,y1),......,(x
k
,y
k
)。3.根据权利要求2所述的基于小样本的轴承故障诊断方法，其特征在于，设信号样本组成样本对表示为(X
i1
，X
i2
)，其中，X
i1
与X
i2
表征具有相同或不同故障类别标签的信号样本的统称，i表示批次，若干个样本对构成的训练集中存在具有相同故障类别标签的样本对，也存在具有不同故障类别标签的样本对。4.根据权利要求3所述的基于小样本的轴承故障诊断方法，其特征在于，在步骤S3中，孪生神经网络模型包括两个结构相同的深度卷积神经网络WDCNN，且两个深度卷积神经网络WDCNN之间共享权重，在训练集输入孪生神经网络模型后，孪生神经网络模型提取训练集中信号样本的特征，得到特征向量，最后基于特征向量，结合度量公式计算训练集中信号样本所属故障类别的概率，取概率中的最大值对应的故障类别作为输出的故障类别。5.根据权利要求4所述的基于小样本的轴承故障诊断方法，其特征在于，设训练集中一对样本对为i表示批次，孪生神经网络模型提取训练集中该样本对信号样本的特征，得到的特征向量分别表示为与f()表示经孪生神经网络模型提取特征向量操作，度量公式为：其中，表示孪生神经网络模型对信号样本的特征向量输出的距离，即两个信号样本经孪生神经网络模型输出是被认为是非常相似还是非常不同，概率计算公式为：其中，FC是一个密集的全连接层，sigm是sigmoid函数，表示样本对中两个信号样本属于相同故障类别的的概率。6.根据权利要求5所述的基于小样本的轴承故障诊断方法，其特征在于，将训练集输入孪生神经网络模型并训练该模型时，设为一个长度M的向量，其中包含batch的标签；当和来自同一故障类别时，令否则令其中，j是来自第一个batch的第j个样本对，选用的损失函数是一个正则化的交叉熵：
其中，表示损失函数，在训练过程中，采用Adam优化器进行孪生神经网络模型优化，实现梯度更新，计算每个网络参数的个体自适应学习率，网络参数的更新包括：个网络参数的个体自适应学习率，网络参数的更新包括：个网络参数的个体自适应学习率，网络参数的更新包括：个网...

【专利技术属性】
技术研发人员：张子辉，王勇，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：