基于模型不可知元学习的轴承跨域故障诊断方法及系统技术方案

本发明专利技术提供了一种基于模型不可知元学习的轴承跨域故障诊断方法，对预处理后的轴承振动信号，根据采用源域数据训练的自适应阈值网络，确定轴承振动信号的噪声阈值，得到去除噪声后的轴承振动信号；根据去除噪声后的轴承振动信号，以及采用源域训练的模型不可知元学习轴承跨域故障诊断模型的内循环网络和外循环网络，得到最终轴承故障诊断结果；本发明专利技术采用自适应阈值获取网络自适应生成信号阈值，不需要专家知识，配合改进的阈值函数可以直接滤除干扰，结合基于模型不可知元学习网络，提高了故障诊断的精确度。故障诊断的精确度。故障诊断的精确度。

【技术实现步骤摘要】
基于模型不可知元学习的轴承跨域故障诊断方法及系统


[0001]本专利技术涉及故障诊断
，特别涉及一种基于模型不可知元学习的轴承跨域故障诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]轴承作为旋转机械设备的基础零部件，其正常运行对工业安全生产具有重要意义。目前，以传感器监测数据为驱动的故障监测和诊断取得了巨大的发展。然而，在实际工程场景中，机械设备时常处于变速、变负载的工况下。此外，机械设备大多数时间处于健康状态下工作，难以获得足够的数据来支持深度学习模型的建立，造成了严重的性能下降。因此，在有限数据条件下实现具有良好泛化能力的跨域故障分类器至关重要。
[0004]专利技术人发现，跨域故障诊断是指用于模型训练和测试的数据符合不同的分布，即源域和目标域的数据相似但不完全相同。目前，迁移学习是解决这一问题的主流方法，其原理是将已经开发的模型作为初始点，重新在另一个开发模型的过程中进行使用；然而，要优化源域和目标域之间的各种特征空间差异，迁移学习是一个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型不可知元学习的轴承跨域故障诊断方法，其特征在于，包括以下过程：获取轴承振动信号并进行预处理；对预处理后的轴承振动信号，根据采用源域数据训练的自适应阈值网络，确定轴承振动信号的噪声阈值，得到去除噪声后的轴承振动信号；根据去除噪声后的轴承振动信号，以及采用源域训练的模型不可知元学习轴承跨域故障诊断模型的内循环网络和外循环网络，得到最终轴承故障诊断结果。2.如权利要求1所述的基于模型不可知元学习的轴承跨域故障诊断方法，其特征在于，进行预处理，包括：对获取的轴承振动信号进行同步压缩小波变换，得到对应的二维时频图像，将二维时频图像转换为设定尺寸的灰度图。3.如权利要求1所述的基于模型不可知元学习的轴承跨域故障诊断方法，其特征在于，确定轴承振动信号的噪声阈值，包括：第n个特征的噪声阈值为：在第n个特征映射通道i
×
j个故障特征的平均值与第n个特征映射通道的缩放参数的乘积，其中，i和j分别表示特征的宽度和高度。4.如权利要求3所述的基于模型不可知元学习的轴承跨域故障诊断方法，其特征在于，第n个特征的缩放参数为：其中，w
n
为第n个神经元的特征。5.如权利要求3所述的基于模型不可知元学习的轴承跨域故障诊断方法，其特征在于，当输入信号的特征绝对值|input|大于或等于噪声阈值时，输出的特征为：否则，输出的特征为零。6.一种基于模型不可知元学习的轴承跨域故障诊断系统，其特征在于，包括：预处理模块，被配置为：获取轴承振动信号并进行预处理...

【专利技术属性】
技术研发人员：姜明顺，叶呈龙，冯德军，张法业，耿湘宜，张雷，隋青美，
申请(专利权)人：山东大学，
类型：发明
国别省市：