基于隐式数据增强的小样本机械故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种基于隐式数据增强的小样本机械故障诊断方法及装置，包括：采集原始振动信号并进行数据预处理，搭建智能故障诊断模型，其包括基于残差模块的主干诊断网络，在此基础上引入生成对抗网络的思想，设计隐式增强网络，通过对抗训练，隐式增强网络生成的假数据不断输入到主干诊断网络，起到数据增强的作用，使得主干诊断网络在小样本条件下避免陷入过拟合，进而提高主干网络的故障诊断能力，达到高精度故障诊断效果，且具有较好的鲁棒性与实用性。与实用性。与实用性。

【技术实现步骤摘要】
基于隐式数据增强的小样本机械故障诊断方法及装置


[0001]本专利技术涉及机械故障诊断
，尤其涉及一种基于隐式数据增强的小样本机械故障诊断方法及装置。

技术介绍

[0002]随着现代工业社会的不断发展，工业规模越来越大，自动化程度不断提高。机械关键部件出现故障会产生严重的危害，更可能导致人员伤亡。机械老化不可避免，对机械关键设备进行故障诊断是避免机械故障造成严重后果的有效方法，准确、及时的故障诊断可以最大程度的避免灾难性后果的发生。
[0003]传统的故障诊断依赖于工程师丰富的经验和专业知识。有经验的工程师能够根据异常声音诊断发动机的故障，或利用先进的信号处理方法分析振动信号，判断轴承是否出现故障。但是这种方法及其依赖于专家知识，可靠性和效率低下。在工程场景中，需要对高效且准确率高的智能故障诊断方法展开研究。
[0004]传统机器学习方法近10年来在故障诊断领域得到了广泛应用，包括k
‑
近邻(k
‑
NN)算法、贝叶斯分类器、支持向量机(SVM)和人工神经网络(ANN)等。随着Alex等人本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于隐式数据增强的小样本机械故障诊断方法，其特征在于，包括以下步骤：采集机械设备不同故障类型的原始振动信号X(n)，n为信号的采样点数；对原始振动信号进行预处理，并将预处理后的数据按照预设比例划分为训练集和测试集；搭建智能故障诊断模型，并初始化网络参数，所述智能故障诊断模型包括主干诊断网络和隐式增强网络，隐式增强网络用于对主干诊断网络进行隐式数据增强；初始化训练参数，将训练集中的数据输入到智能故障诊断模型中进行训练，主干诊断网络与隐式增强网络进行对抗训练，并采用早停法判断是否满足早停准则，若满足，则提前结束训练；否则，更新权重和偏置参数继续输入模型中训练；提取智能故障诊断模型中的主干诊断网络，输入测试集中的数据对主干诊断网络进行模型评估，并进行模型部署后，用于机械故障在线诊断。2.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，通过加速度传感器采集不同故障类型的原始振动信号。3.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，所述对原始振动信号进行预处理，包括：对采集到的原始振动信号进行归一化处理，归一化处理公式如下：其中L表示一维原始振动信号，L(i)表示L中的某一个信号值，L.size表示一维振动信号的长度，Min(L)表示一维振动信号L的最小信号值，Max(L)表示一维振动信号L的最大信号值；经过归一化处理后，信号值被归一至与单通道图像像素值一致的0
‑
255范围内；采用滑动窗口方法将原始振动信号划分为长度为M2的段信号；将长度为M2的段信号转化成长宽均为M的灰度图。4.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，所述主干诊断网络包括特征提取层以及两个并列的分类层，两个并列的分类层为辅助对抗层和故障分类层；所述特征提取层包括一个卷积模块、四个残差模块和三个平均池化层，首先输入图像通过卷积模块处理变为大小为32
×
64
×
64的特征图，然后通过第一个残差模块处理后变为大小为64
×
64
×
64的特征图，再经过第一个平均池化层变为大小为64
×
32
×
32的特征图，类似的，特征图再经过第二个残差模块、第二个平均池化层、第三个残差模块、第三个平均池化层后变为大小256
×8×
8的特征图，最后通过第四个残差模块的处理后变为大小512
×8×
8的特征图；激活采用LeakyReLU激活函数，标准化采用批标准化，经过特征提取层后，输入的灰度图转化为大小512
×8×
8的特征图；所述故障分类层用于完成故障诊断的任务，所述辅助对抗层用于帮助隐式增强网络进行训练，辅助对抗层和故障分类层都分别包括一个全局平均池化层和一个卷积模块，经全局平均池化层后，8
×8×
512的特征图大小变为1
×1×
512的特征图，再经过卷积模块处理分别输出长度为1和classes的一维特征图，分别表示输入数据的真假和故障诊断结果。5.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，
所述隐式增强网络包括编码器、解码器和特征融合模块；所述编码器包括四个卷积模块和一个注意力模块，四个卷积模块采取顺序连接方式，最后加入注意力模块；激活采用LeakyReLU激活函数，标准化采用批标准化，经过编码器后，输入图像转化为8
×8×
128的特征图；所述特征融合模块采用随机融合的策略，在输入的k个8
×8×
128的特征图中选取一个特征图作为基准特征图，另外k
‑
1个特征图作为参考特征图，随机选取所有k个特征图单通道特征的...

【专利技术属性】
技术研发人员：戴光明，张磊，彭雷，王茂才，宋志明，陈晓宇，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：