一种自监督学习的有限样本机械故障诊断方法技术

本发明专利技术公开了一种自监督学习的有限样本机械故障诊断方法，首先让无标签数据样本训练前置网络N1，得到前置网络N1的权重；然后冻结孪生网络N2的部分卷积层，将前置网络N1的权重迁移到孪生网络N2冻结的卷积层，通过更新全连接层的参数后，使用带有标签的样本通过孪生网络N2，最终用于故障分类，这样便在少量带有标签的数据样本下取得更有效的故障诊断效果。签的数据样本下取得更有效的故障诊断效果。

【技术实现步骤摘要】
一种自监督学习的有限样本机械故障诊断方法


[0001]本专利技术属于机械故障诊断
，更为具体地讲，涉及一种自监督学习的有限样本机械故障诊断方法。

技术介绍

[0002]近年来，机械故障诊断技术在工业领域中得到了广泛的应用，其中，自监督学习技术以其高效的特性受到了越来越多的关注。自监督学习是一种无需人工标注数据的学习方式，它可以利用数据自身的特征进行特征学习和分类，使得在缺乏标注数据的情况下也能够完成有效的模型训练。在机械故障诊断领域，由于样本数据难以获取和标注的成本较高，自监督学习技术能够解决这些问题，使得机械故障诊断更加高效。
[0003]然而，目前存在的自监督学习技术在应对样本有限的机械故障诊断问题上还存在一些挑战。首先，由于自监督学习技术本质上是一种无监督的学习方式，其对样本数量的要求比有监督学习技术更高。其次，机械故障诊断中的数据往往包含多种不同类型的信号，例如声音、振动等，不同类型信号的特征提取和融合也是自监督学习中需要解决的问题。此外，机械故障诊断中通常需要对不同种类的故障进行识别，因此需要考虑如何在自监督学习中实现多分类问题。自监督学习神经网络探索了一种无需标注数据就可以学习到有效信号特征表示的方法，但是自监督学习的研究主要集中在机器视觉领域，缺少在故障诊断领域的相关研究。考虑到一维机械信号和图像数据的特征存在比较大的区别，针对机械信号特征探索自监督学习的神经网络算法非常重要。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，提供一种自监督学习的有限样本机械故障诊断方法，不同于传统的监督学习和半监督学习方法，本专利技术引入结合少样本学习的自监督学习方法，提升在可获取有标注数据有限情况下的神经网络机械故障诊断性能。
[0005]为实现上述专利技术目的，本专利技术一种自监督学习的有限样本机械故障诊断方法，其特征在于，包括以下步骤：
[0006](1)、数据采集；
[0007]采集机械故障的振动信号，将一部分的振动信号标注真实的故障标签，构成标注的数据集其中，X
i
表示第i组标注的振动信号，H
i
为X
i
对应的故障标签，N
L
表示数据集中标注的振动信号的组数；另外的振动信号不添加故障标签，构成未标注的数据集，其中，X
j
表示第j组未标注的振动信号，N
U
表示数据集中未标注的振动信号的组数；
[0008](2)、利用不同的信号变换方法对未标注的数据集进行处理；
[0009](2.1)、设置5种信号变换方法，包括正常变换、随机置零变换、随机增加变换、随机减弱变换、时间乱序变换；
[0010](2.2)、为每一组未标注信号X
j
随机分配一种信号变换方法G
g
(
·
)，并自动赋予与信号变换方法G
g
(
·
)对应的伪标签得到伪标签数据集其中，表示X
j
经过信号变换后的信号，g∈[1,5]，g表示某一种信号变换方法；
[0011](3)、搭建用于辅助任务的前置网络N1和用于目标任务的孪生网络N2；
[0012](3.1)、前置网络N1包括5个卷积层、5个最大池化层、1个全连接层和1个softmax层；
[0013]卷积层与最大池化层交替连接，其中，第1层为卷积层的大小为12
×
1，通道数为16；第3层为卷积层的大小为9
×
1，通道数为32；第5层为卷积层的大小为3
×
1，通道数为32；第7层为卷积层的大小为3
×
1，通道数为64；第9层为卷积层的大小为3
×
1，通道数为128；所有卷积层用于信号的特征提取；5层最大池化层的结构及功能完全相同，每一层的大小为2
×
1，步长为4，用于信号降维；最后一层最大池化层的输出端依次连接全连接层和softamx层；
[0014](3.2)、孪生网络N2的前11层采用“并联”结构，上下两个分支的网络结构均与前置网络N1相同，在“并联”结构的输出端依次连接距离衡量层和sigmoid层；
[0015](4)、利用伪标签数据集训练前置网络N1；
[0016](4.1)、设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；
[0017](4.2)、从伪标签的数据集中随机抽取n个数据并作为单批次的训练数据；
[0018](4.3)、将单批次的训练数据输入至前置网络N1，通过卷积层和最大池化层交替进行特征提取和降维处理，然后通过全连接层和softamx层输出每一个数据对应每一种故障的概率，然后将概率最大值对应的故障类别作为预测标签；
[0019](4.4)、计算交叉熵损失函数值L
s
：
[0020][0021]其中，为的预测标签，为的伪标签；
[0022](4.5)、判断当前迭代次数epoch＝EPOCH或者loss＜τ，若满足，则停止迭代训练，得到训练好的前置网络N1；否则，将交叉熵损失函数值L
s
通过反向传播算法更新前置网络N1的权重参数，然后返回步骤(4.2)进行下一轮训练；
[0023](5)、利用数据集D
L
训练孪生网络N2；
[0024](5.1)、冻结孪生网络N2的前10层参数，将训练完成的前置网络N1前10层参数迁移至孪生网络N2的前10层，然后更新孪生网络N2的第11层全连接层参数；
[0025](5.2)、将数据集D
L
中的振动信号划分为成对的样本对，记为(x
i
,x
j
)；若x
i
与x
j
对应的故障标签相同，则为样本对(x
i
,x
j
)设置新标签否则，设置
[0026](5.3)、将所有的样本对及对应新标签组成训练集设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；
[0027](5.4)、从训练集中随机抽取l个样本对(x
i
,x
j
)1～(x
i
,x
j
)
l
，并作为单批次的训练数据；
[0028](5.5)、将单批次的训练数据输入至孪生网络N2，其中，x
i
输入至孪生网络N2的上分支，x
j
输入至孪生网络N2的下分支；在上下两个分支中，均通过卷积层和最大池化层交替进行特征提取和降维处理，然后通过全连接层输出每一个样本对应每一种故障的概率向量，其中，第k个样本对(x
i
,x
j
)
k
通过上分支输出的概率向量记为下分支输出的概率向量记为
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自监督学习的有限样本机械故障诊断方法，其特征在于，包括以下步骤：(1)、数据采集；采集机械故障的振动信号，将一部分的振动信号标注真实的故障标签，构成标注的数据集其中，X
i
表示第i组标注的振动信号，H
i
为X
i
对应的故障标签，N
L
表示数据集中标注的振动信号的组数；另外的振动信号不添加故障标签，构成未标注的数据集，其中，X
j
表示第j组未标注的振动信号，N
U
表示数据集中未标注的振动信号的组数；(2)、利用不同的信号变换方法对未标注的数据集进行处理；(2.1)、设置5种信号变换方法，包括正常变换、随机置零变换、随机增加变换、随机减弱变换、时间乱序变换；(2.2)、为每一组未标注信号X
j
随机分配一种信号变换方法G
g
(
·
)，并自动赋予与信号变换方法G
g
(
·
)对应的伪标签得到伪标签数据集其中，表示X
j
经过信号变换后的信号，g∈[1,5]，g表示某一种信号变换方法；(3)、搭建用于辅助任务的前置网络N1和用于目标任务的孪生网络N2；(3.1)、前置网络N1包括5个卷积层、5个最大池化层、1个全连接层和1个softmax层；卷积层与最大池化层交替连接，其中，第1层为卷积层的大小为12
×
1，通道数为16；第3层为卷积层的大小为9
×
1，通道数为32；第5层为卷积层的大小为3
×
1，通道数为32；第7层为卷积层的大小为3
×
1，通道数为64；第9层为卷积层的大小为3
×
1，通道数为128；所有卷积层用于信号的特征提取；5层最大池化层的结构及功能完全相同，每一层的大小为2
×
1，步长为4，用于信号降维；最后一层最大池化层的输出端依次连接全连接层和softamx层；(3.2)、孪生网络N2的前11层采用“并联”结构，上下两个分支的网络结构均与前置网络N1相同，在“并联”结构的输出端依次连接距离衡量层和softamx层；(4)、利用伪标签数据集训练前置网络N1；(4.1)、设置最大迭代次数为EPOCH，初始化当前迭代次数epoch＝1；给定期望的模型训练误差为τ；(4.2)、从伪标签的数据集中随机抽取n个数据并作为单批次的训练数据；(4.3)、将单批次的训练数据输入至前置网络N1，通过卷积层和最大池化层交替进行特征提取和降维处理，然后通过全连接层和softamx层输出每一个数据对应每一种故障的概率，然后将概率最大值对应的故障类别作为预测标签；(4.4)、计算交叉熵损失函数值L
s
：其中，为的预测标签，为的伪标签；(4.5)、判断当前迭代次数epoch＝EPOCH或者loss＜τ，若满足，则停止迭代训练，得到训练好的前置网络N1；否则，将交叉熵损失函数值L
s
通过反向传播算法更新前置网络N1的权
重参数，然后返回步骤(4.2)进行下一轮训练；(5)、利用数据集D
L
训练孪生网络N2；(5.1)、冻结孪生网络N2的前10层参数，将训练完成的前置网络N1前10层参数迁移至孪生网络N2的前10层，然后更新孪生网络N2的第11层全连接层参数；(5.2)、将数据集D
L
中的振动信号划分为成对的样本对，记为(x
i
,x
j
)；若x
i
与x
j
对应的故障标签相同，则为样本对(x
i
,x
j
)设置新标签否则，设置(5.3)、将所有的样本对及对应新标签组成训练集设置...

【专利技术属性】
技术研发人员：王新丹，杨亦卓，王欢，刘志亮，左明健，
申请(专利权)人：青岛明思为科技有限公司，
类型：发明
国别省市：