本申请提供了一种齿轮箱故障诊断模型训练方法、诊断方法、装置和电子设备。该训练方法包括：获取齿轮箱的振动信号数据集；将所述振动信号数据集中的一部分数据用作训练集，并将所述振动信号数据集中剩余的数据用作测试集，基于所述训练集计算并获得表征振动信号复杂程度和突变程度的第一特征值集合，基于所述测试集计算并获得表征突变程度的第二特征值集合；基于所述第一特征值集合，并通过元学习方法训练并获得第一神经网络；采用所述第一神经网络作为孪生神经网络的两个分支，基于所述第一特征值集合和所述第二特征值集合训练所述孪生神经网络，获得所述故障诊断模型。获得所述故障诊断模型。获得所述故障诊断模型。
【技术实现步骤摘要】
齿轮箱故障诊断模型训练方法、诊断方法和装置
[0001]本申请涉及故障诊断
，尤其涉及一种齿轮箱故障诊断模型训练方法、诊断方法、装置和电子设备。
技术介绍
[0002]齿轮箱对于机械设备的正常运转尤为重要，而齿轮箱的早期磨损信号因多发生在高频段且易被淹没在高频噪声信号中，信噪比较低，所以齿轮箱的早期磨损、点蚀故障信号很难被发现因而很难进行提前预警。其次，在实际工业中场景中，因现场噪声多、设备复杂度高等原因，当发现齿轮箱的故障时，通过诊断规则很难将实际生产生活中的齿轮箱(如齿轮点蚀、齿轮啮合故障、齿轮断齿等故障)进行细分。
[0003]目前为止，齿轮箱的机械振动检测方法有两种：一，使用传统的基于故障机理且依靠专家经验离线式地对频谱进行人工分析，二、通过有监督学习方法训练模型实现自动判断。
[0004]第一种存在的弊端为：不能满足实时检测的要求，难以及时地提供预测性维护和分析服务。
[0005]第二种对故障数据集要求较高，且需要大量且样本分布均衡的数据集才能有效的训练出准确率较高，且泛化能力较强的模型。但是，齿轮箱的异常数据较难获得，且主要为齿轮箱齿轮断齿故障数据，其他故障类数据(如点蚀、啮合磨损等)占比较少，用传统机器学习的方法易造成误判、漏判。因此，第二种方法在实践中难以高速有效地推广应用。
技术实现思路
[0006]为了解决上述技术问题，本申请实施例提供了一种齿轮箱故障诊断模型训练方法、诊断方法、装置、电子设备和存储介质，该齿轮箱故障诊断模型训练方法可以解决上述技术问题。
[0007]第一方面，本申请提供一种齿轮箱故障诊断模型训练方法，所述训练方法包括：
[0008]S100，获取齿轮箱的振动信号数据集；
[0009]S200，将所述振动信号数据集中的一部分数据用作训练集，并将所述振动信号数据集中剩余的数据用作测试集，基于所述训练集计算并获得表征振动信号复杂程度和突变程度的第一特征值集合，基于所述测试集计算并获得表征突变程度的第二特征值集合；
[0010]S300，基于所述第一特征值集合，并通过元学习方法训练并获得第一神经网络；
[0011]S400，采用所述第一神经网络作为孪生神经网络的两个分支，基于所述第一特征值集合和所述第二特征值集合训练所述孪生神经网络，获得所述故障诊断模型。
[0012]可选的，步骤S100包括：
[0013]S101：获取预处理振动信号集合；
[0014]S102：对所述预处理振动信号集合进行时域同步平均处理，获得第一信号数据集；
[0015]S103：基于所述第一信号数据集利用插值算法进行角域重采样，获得第二信号数
任一所述的故障诊断模型中，得到齿轮箱故障诊断结果。
[0040]第三方面，本申请提供一种训练齿轮箱故障诊断模型的装置，该装置用于训练并获得上述的齿轮箱故障诊断模型，该装置包括：
[0041]信号采集模块，用于获取齿轮箱的振动信号数据集；
[0042]特征计算模块，用于基于所述振动信号数据集计算表征振动信号复杂程度和突变程度的特征值；
[0043]网络训练模块，用于基于所述第一特征值集合训练并获得第一神经网络；
[0044]模型生成模块，采用所述第一神经网络作为孪生神经网络的两个分支，基于所述第一特征值集合和所述第二特征值集合训练所述孪生神经网络，获得所述诊断模型。
[0045]第四方面，本申请提供一种电子设备，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行上述的齿轮箱故障诊断模型训练方法和/或上述的齿轮箱故障诊断方法的步骤。
[0046]第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的齿轮箱故障诊断模型训练方法和/或上述的齿轮箱故障诊断方法的步骤。
[0047]通过本申请提供的上述方法，利用元学习及步骤S200中机理特征提取的方式，解决了小样本及样本不平衡的问题，经训练的第一神经网络具有很好的泛化能力，使得针对不同的目标任务，仅使用少量标记样本就可以快速训练出有效的故障诊断模型。并且，在步骤S400中，孪生网络采用两个输入，使用与嵌入相同的权重对其进行编码，解释嵌入的差异，并输出两个输入属于同一类的概率。孪生网络双头对比输入可以增强数据鲁棒性，提高故障诊断模型的泛化能力。
附图说明
[0048]图1是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的一个示例的流程图；
[0049]图2是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图；
[0050]图3是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图；
[0051]图4是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图；
[0052]图5是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图；
[0053]图6是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图；
[0054]图7是本申请实施例提供的一种齿轮箱故障诊断模型训练方法的另一个示例的流程图。
[0055]附图标记列表：
[0056]S100：获取齿轮箱的振动信号数据集；
[0057]S200：将所述振动信号数据集中的一部分数据用作训练集，并将所述振动信号数据集中剩余的数据用作测试集，基于所述训练集计算并获得表征振动信号复杂程度和突变程度的第一特征值集合，基于所述测试集计算并获得表征突变程度的第二特征值集合；
[0058]S300：基于所述第一特征值集合，并通过元学习方法训练并获得第一神经网络；
[0059]S400：采用所述第一神经网络作为孪生神经网络的两个分支，基于所述第一特征值集合和所述第二特征值集合训练所述孪生神经网络，获得所述故障诊断模型；
[0060]S301：初始化网络权重；S302：生成包括多个元任务的训练任务集；
[0061]S303：在训练任务集中随机抽取多个批次训练任务；
[0062]S304：基于每批次训练任务更新网络权重。
[0063]S3041：从一个元任务中随机抽取包括K个数据点的支持集D，和包括M个数据点的查询集Q；
[0064]S3042：使用交叉熵损失函数或均方差损失函数，在该元任务的支持集D上计算出损失函数值和损失函数对的梯度T1；
[0065]S3043：在该元任务上，基于反向传播算法使用一次梯度下降更新内层网络权重，更新步长为所述梯度T1；
[0066]S3044：使用交叉熵损失函数或均方差损失函数，在该元任务的测试集Q上计算出损失函数值和损失函数对的梯度T2；
[0067]S3045：一个批次中的所有本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种齿轮箱故障诊断模型训练方法，其特征在于，所述训练方法包括：S100，获取齿轮箱的振动信号数据集；S200，将所述振动信号数据集中的一部分数据用作训练集，并将所述振动信号数据集中剩余的数据用作测试集，基于所述训练集计算并获得表征振动信号复杂程度和突变程度的第一特征值集合，基于所述测试集计算并获得表征突变程度的第二特征值集合；S300，基于所述第一特征值集合，并通过元学习方法训练并获得第一神经网络；S400，采用所述第一神经网络作为孪生神经网络的两个分支，基于所述第一特征值集合和所述第二特征值集合训练所述孪生神经网络，获得所述故障诊断模型。2.根据权利要求1所述的齿轮箱故障诊断模型训练方法，其特征在于，步骤S100包括：S101，获取预处理振动信号集合；S102，对所述预处理振动信号集合进行时域同步平均处理，获得第一信号数据集；S103，基于所述第一信号数据集利用插值算法进行角域重采样，获得第二信号数据集；S104，将所述第一信号数据集和所述第二信号数据集叠加，并进行快速傅里叶变换获得阶次谱；S105，基于所述阶次谱提取清晰的阶次信号及齿轮箱边带信号，获得所述振动信号数据集。3.根据权利要求1所述的齿轮箱故障诊断模型训练方法，其特征在于，所述第一特征值集合包括第一时域特征值集和第一频域特征值集；所述第二特征值集合包括第二时域特征值集和第二频域特征值集。4.根据权利要求1所述的齿轮箱故障诊断模型训练方法，其特征在于，所述通过元学习方法训练并获得第一神经网络包括：通过元知识的学习和各个任务的学习进行内外两层循环训练来获得所述第一神经网络。5.根据权利要求4所述的齿轮故障诊断模型训练方法，其特征在于，所述通过元知识的学习和各个任务的学习进行内外两层循环训练来获得所述第一神经网络包括：S301，初始化网络权重；S302，生成包括多个元任务的训练任务集；S303，在训练任务集中随机抽取多个批次训练任务；S304，基于每批次训练任务更新网络权重。6.根据权利要求5所述的齿轮故障诊断模型训练方法，其特征在于，所述S304包括：S3041，从一个元任务中随机抽取包括K个数据点的支持集D，和包括M个数据点的查询集Q；S3042，使用交叉熵损失函数或均方差损失函数，在该元任务的支持集D上计算出损失函数值和损失函数对的梯度T1；S3043，在该元任务上，基于反向传播算法使用一次梯度下降更新内层网络权重，更新步长为所述梯度T1；S...
【专利技术属性】
技术研发人员：张琪萱，吴文超，郑毅贤，王达一，杨镇恺，
申请(专利权)人：西门子中国有限公司，
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。