【技术实现步骤摘要】
自监督的轴承故障诊断方法
[0001]本专利技术涉及人工智能
,特别涉及一种自监督的轴承故障诊断方法。
技术介绍
[0002]传统智能故障诊断方法通常以明确的何种故障类型作为最终结果,且通常是单种故障类别。而实际的工业场景中,设备在绝大多数都是正常运行的,且出错时可能会是多种故障同时出现。因此,在故障数据难以获取的同时,更难以界定最终产生的属于什么故障类别。
[0003]基于自监督学习的思想,利用从振动信号中采集的数据集中的数据点本身提供的信息,使得模型进行自我学习。在模型预训练完后,再根据高质量小样本的真实工业环境数据集对模型进行微调,以此使得最后的模型可以有一个有效的诊断能力。由于是用模型对数据进行自我学习,使得整个模型在预训练阶段不需要人工标签的参与,减少了大量的人力成本。目前,常见的针对轴承故障诊断的自学习方案主要存在数据不能很好的反应实际故障的问题。
技术实现思路
[0004]本专利技术的目的在于提供一种自监督的轴承故障诊断方法,以解决现有的轴承故障诊断自学习存在数据不能很好的反应实际故障的问题。
[0005]为解决上述技术问题,本专利技术提供一种自监督的轴承故障诊断方法,包括:
[0006]使用对比学习和聚类算法,对自监督的基于对比聚类任务进行轴承故障分类,并利用预训练的数据集进行预训练,以得到预训练模型;以及
[0007]对预训练模型微调进行再训练,以得到深度模型,并将深度模型投入真实工业环境中使用。
[0008]可选的,在所述的自监督的轴承 ...
【技术保护点】
【技术特征摘要】
1.一种自监督的轴承故障诊断方法,其特征在于,包括:使用对比学习和聚类算法,对自监督的基于对比聚类任务进行轴承故障分类,并利用预训练的数据集进行预训练,以得到预训练模型;以及对预训练模型微调进行再训练,以得到深度模型,并将深度模型投入真实工业环境中使用。2.如权利要求1所述的自监督的轴承故障诊断方法,其特征在于,对比学习包括:通过深度学习对源数据提取特征直接分类,将直接分类更改为使用孪生网络提取特征,将孪生网络获得的不同特征通过定义正负样本进行对比,以区分相似数据和不同数据,将不同类别的数据进行自我区分。3.如权利要求1所述的自监督的轴承故障诊断方法,其特征在于,基于聚类算法的对比学习包括:通过对比学习架构孪生网络,孪生网络包括两个相同的深度神经网络;深度神经网络选用ResNet50,利用残差块避免模型训练的梯度爆炸和梯度消失;将深度神经网络的输出直接提供至原型层,原型层的输出用于聚类算法计算及交叉熵损失计算。4.如权利要求1所述的自监督的轴承故障诊断方法,其特征在于,还包括:将振动信号源数据x进行不同的数据增强处理,以分别获得数据集x1和x2,并分别提供至孪生网络的两个模型中;ResNet50分类器的输出提供至原型层计算,并分别输出数据集y1和y2;数据集y1、y2通过聚类算法计算获得数据集label1和label2;一个模型的原型层的输出与另一模型计算出的伪标签通过目标函数计算交叉熵损失,分别计算y1与label2、以及y2与label1的交叉熵损失,通过交叉熵损失对ResNet50的参数进行优化。5.如权利要求1所述的自监督的轴承故障诊断方法,其特征在于,对比学习使用无标签数据的代理任务替代真实标签;在对比学习中,振动信号源数据经过不同的数据增强处理后,获得形式不同且语义不变的输入;代理任务中使用孪生网络,振动信号源数据经过不同的数据增强处理,以使得形式不同的输入提供至孪生网络,通过孪生网络获得不同的输出;通过代理任务定义正负样本,根据正负样本之间的差异通过目标函数计算损失,以优化模型参数;用对比聚类算法作为代理任务,用聚类算法生成的聚类中心替代对比学习中的负样本;将孪生网络中一个模型的输出与另一模型通过聚类算法获得的伪标签进行交替对比,以计算整个孪生网络的损失,优化整个模型。6.如权利要求1所述的自监督的轴承故障诊断方法,其特征在于,孪生网络中使用的深度神经网络为50层的残差网络,其主体架构包括编码器和分类器;编码器中引入残差块,残差块的最终输出H(x)中,由卷积层对输入x计算后的输出F
(x),以及输入x本身均参与最终输出的计算;残...
【专利技术属性】
技术研发人员:柳春,王锴,任肖强,汪小帆,彭艳,蒲华燕,李政霖,修贤超,王婉怡,
申请(专利权)人:上海大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。