基于不确定性学习的小样本轴承振动图像数据故障诊断方法技术

本发明专利技术公布了一种基于不确定性学习的小样本轴承振动图像数据故障诊断方法，属于工业故障诊断领域。本发明专利技术首先构造基于N

【技术实现步骤摘要】
基于不确定性学习的小样本轴承振动图像数据故障诊断方法


[0001]本专利技术属于工业故障诊断领域，涉及小样本深度学习技术，具体涉及一种基于不确定学习的小样本轴承振动图像数据故障诊断方法。

技术介绍

[0002]工业是国民经济的命脉，随着科学技术的发展，现代工业正朝向大规模化，高端化，复杂化与智能化快速发展，在这一趋势下，工业系统运行的安全性和可靠性面临着更大的挑战。作为保障工业过程安全可靠运行的必要手段，故障诊断技术能够及时诊断出故障类型并消除其带来的不利影响。轴承是非常重要的设备零件，通过转子与转轴旋转，承载载荷，关乎工况设备安全运营与维护，在轴承运行时零件出现故障，会导致整个系统失效，不仅又可能造成经济损失，而且有可能造成人员伤亡。随着图像传感器技术蓬勃发展，故障诊断研究已经逐渐形成了工业图像数据和智能诊断方法相结合的发展环境。这些技术的成功依赖于有足够多的标记数据，然而，在实际应用中，标注数据收集是很困难的。主要体现在数据分布的异构性与稀疏性，如设备差异、噪音干扰等多变的工况条件下数据的同构性无法保证，以及系统故障本身为一个小概率事件，模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于不确定学习的小样本轴承振动图像数据故障诊断方法，具体步骤如下：1）将原始采集的轴承振动信号通过傅里叶FFT转换变为频域数据，将频域作为横轴，振动信号的功率谱密度作为纵轴，构成故障图像数据集；2）基于小样本元学习N
‑
wayK
‑
shot范式进行训练数据集构造，记步骤1）中的故障图像数据集，其中x为图像，y为标签，s为样本数，i表示第i个样本，从中随机取N*K个样本，包含N个类别，每个类别K个样本，构成轴承故障图像支持集；然后类别不重叠的随机取N*Q个样本，同样包含N个类别，每个类别Q个样本，构成轴承故障图像查询集；3）使用原型网络模型，针对支持集中的故障样本，通过提取特征，每类K个样本生成K个嵌入向量，将第n（）类的K个嵌入向量在原始取平均获得一个嵌入向量即原始的原型，然后基于任意不确定性分析后的得到修正原型；4）计算修正原型与轴承故障图像查询集中样本的嵌入向量之间的概率相似度，j代表查询集中第j个样本；5）利用步骤4）得到的计算整个轴承图像分类网络的交叉熵分类损失函数，构造基于可微优化的图像分类器，将轴承故障图像分类为四种类型，即内圈故障、外圈故障、转子故障和正常状态。2.如权利要求1所述的基于不确定学习的小样本轴承振动图像数据故障诊断方法，其特征在于，步骤3）对原型进行修正，具体包括：3
‑
1）对轴承故障图像支持集第n类的原型进行修正，，其中和代表横纵两个维度数;3
‑
2）计算包含任意不确定性的轴承信号特征的二阶统计特征，其中计算统计特征均值使用下式(1)，计算统计特征方差使用下式(2)，其中i代表第i个样本，j代表第j个通道（），（）代表维度指示数；(1)(2)3
‑
3）获得包含任意不确定统计信息的和后，利用公式（3）中损失函数以迭代下降的方式获得最优参数，利用得到的最优参...

【专利技术属性】
技术研发人员：于歌，张玺，
申请(专利权)人：北京大学，
类型：发明
国别省市：