跨不同数据集小样本迁移学习的轴承故障诊断方法技术

本发明专利技术涉及轴承故障诊断技术领域，公开了跨不同数据集小样本迁移学习的轴承故障诊断方法，所述方法包括将故障进行分类，并将通过训练样本得到的轴承故障诊断模型按照故障种类进行分类，得到原支撑集；根据故障种类采集真实故障样本，并用真实故障样本替换原支撑集中数据，得到目标支撑集的目标故障诊断模型。用目标故障诊断模型对目标轴承进行健康状态诊断，获得轴承当前健康状态。本申请通过将故障进行分类，保证故障数据的全面性。并可通过少量的真实故障样本获得更精准的目标故障诊断模型，以此减少大量故障数据的获取过程，降低真实数据的获取难度；同时可保证数据的稳定性和有效性；从而提高诊断精准度，提升诊断结果的可靠性。果的可靠性。果的可靠性。

【技术实现步骤摘要】
跨不同数据集小样本迁移学习的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及跨不同数据集小样本迁移学习的轴承故障诊断方法。

技术介绍

[0002]轴承是许多重要机械设备的核心基础部件，其可靠性对设备性能至关重要。而轴承一旦发生故障，就会导致设备的安全性能降低，甚至严重时引起设备功能丧失，造成严重的经济损失和人员伤亡。因此，对轴承健康状态的及时诊断非常重要。
[0003]而随着科学的不断发展，现已衍生出大量的机器学习方法来实现对轴承故障的诊断。然而，现在的机器学习方法都是依赖于大量的实验模拟数据进行训练学习后，形成诊断模型，然后将诊断模型应用于实际机器设备的故障诊断中。但是，由于设备在实际运行时，轴承所受到的干扰因素较多且干扰因素不稳定，导致通过诊断模型检测的故障结果不够精确，使轴承故障无法及时有效的被获知。
[0004]那么，为了提升对轴承故障诊断的精确性，就要不断提升诊断模型的精准度，而诊断模型由大量的实验模拟数据训练学习而来，因此就需要不断提升实验模拟数据的精准度。而最近，一些研究人员也尝试通过数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.跨不同数据集小样本迁移学习的轴承故障诊断方法，其特征在于,包括以下步骤：S1.按照划分规则对轴承故障进行分类，形成不同的故障种类；S2.收集模拟故障数据形成训练样本，按照构建方式用训练样本构建轴承故障诊断模型，并形成初始支撑集；对初始支撑集中模拟数据群按照故障种类进行分类，得到包含多个模拟数据组的原支撑集；S3.根据故障种类，在每类故障种类中获得若干个真实故障数据，构成真实故障样本；S4.将原支撑集中模拟数据和真实故障样本中数据按照故障种类建立对应关系；S5.按照替换策略根据对应关系用真实故障样本替换原支撑集中模拟数据组，得到目标支撑集，形成目标故障诊断模型；S6.按照检测策略用目标故障诊断模型对目标设备轴承进行健康状态诊断，获得目标设备轴承当前健康状态。2.根据权利要求1所述的跨不同数据集小样本迁移学习的轴承故障诊断方法，其特征在于：所述划分规则为按照轴承结构位置将轴承故障分为Z大类。3.根据权利要求2所述的跨不同数据集小样本迁移学习的轴承故障诊断方法，其特征在于：所述划分规则还包括在形成的Z大类中按照轴承运行状态将轴承故障分为Q小类。4.根据权利要求3所述的跨不同数据集小样本迁移学习的轴承故障诊断方法，其特征在于：每小类故障...

【专利技术属性】
技术研发人员：李少波，张仪宗，张安思，邱凌，
申请(专利权)人：贵州大学，
类型：发明
国别省市：