一种基于自监督掩码对比学习的电机故障诊断方法技术

发明专利技术名称一种基于自监督掩码对比学习的电机故障诊断方法摘要本发明专利技术公开了一种基于自监督掩码对比学习的电机故障诊断方法，首先，基于自监督学习网络对电机故障数据不同时间序列类型进行识别，构建电机故障诊断原始数据集，使用编码器将时间序列转换为图像矩阵，实现特征自动提取；其次，以掩码对比式的学习方式进行模型预训练，将图像矩阵通过自编码器进行特征提取，并通过解码器将图像像素还原，在原图像与增强后的图像中提取正负样本在对比学习网络中进行对比学习得到特征空间，并应用最小化损失函数，以进行参数优化，缩小特征空间的类内距离，扩大类间距离，在神经网络中实现对权值的更新；最后，将更新后的网络用于电机故障数据诊断的故障类型分类任务，实现自监督掩码对比学习的故障诊断

【技术实现步骤摘要】
一种基于自监督掩码对比学习的电机故障诊断方法


[0001]本专利技术属于故障诊断领域，特别涉及了一种利用掩码学习和对比学习结合的电机故障诊断方法
。

技术介绍

[0002]随着科技的不断进步和发展
,
使用的智能设备自动化程度越来越高
,
生产过程也越来越复杂
。
但是由于设备处于长时间高强度工作下
,
就容易出现各种各样的故障，从而导致严峻的后果
。
设备诊断技术是由于设备的安全性和维修的迫切需要应运而生的
。
目前电机设备诊断技术仍存在一些问题，一是当前的机械设备故障检测诊断的各种技术缺乏一套完整的理论体系，因此在实践中往往是特定的设备可能发生的特定故障，因此当前的各种检测诊断技术都不能做到普遍的应用；二是当前的机械设备故障检测诊断技术抗干扰力量较差，精确性有待提高
。
[0003]传统故障诊断算法需要处理大量冗杂的高维度测量信息，在模型建立上存在极大计算量和建模复杂度，导致其无法提取数据全部的特征，且难以建立精准有效的数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于自监督掩码对比学习的电机故障诊断方法，其特征在于，包括以下步骤：
(1)
将采集到的西储大学的轴承数据
、
实测电机轴承故障数据以及试验台电机数据作为故障数据，对数据采用时频分析，得到其时间序列；并经过小波变换得到时频图片，即图片形式的输入数据集；
(2)
对样本采用多种数据增强方式并进行组合，得到故障特征的有效的表征
。
选取裁剪
、
调整大小
、
水平翻转
、
旋转
、
擦除等方法对数据进行空间
/
几何变换；选取颜色失真
、
高斯模糊
、Sobel
滤波等方法对数据进行外形变换；
(3)
将数据增强后的数据进行预处理，即掩码图像分割，以领域内
RGB
值的大小设置分割的重叠率，
RGB
值大的区域设置高的分割重叠率，
RGB
值小的区域设置低的分割重叠率；
(4)
将分割后的掩码图块输入掩码自编码器中进行预训练，预训练的解码器任务目标是用于还原图像缺失的像素；选择
L2 loss(
均方误差
MSE)
作为预训练损失函数；
(5)
将得到的图像矩阵数据分为训练故障数据和测试故障数据；
(6)
对训练故障数据采用对比式自监督学习，将输入图片以及其翻转
、
裁剪
、
擦除后的样本作为正例样本，将输入图片畸变后的样本以及训练集中的其他样本作为负例样本进行对比学习，并将测试数据分别与正例样本和负例样本在特征空间进行对比，来学习样本的特征表示；
(7)
将提取到的特征通过一个全连接层，对训练故障数据的特征进行整合，并进行归一化，选择
softmax
分类器对得到的概率进行分类，选择交叉熵
(Cross
‑
entropy)
作为分类任务的损失函数；
(8)
使用
...

【专利技术属性】
技术研发人员：周涛，李秋彤，何雨恒，
申请(专利权)人：周涛，
类型：发明
国别省市：