【技术实现步骤摘要】
一种基于SAGAN
‑
IResNet的少样本轴承故障诊断方法、系统及存储介质
[0001]本专利技术涉及滚动轴承故障诊断
,具体的说是一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法
、
系统及存储介质
。
技术介绍
[0002]随着工业制造的快速进步,机械设备正朝着高精度
、
高效率
、
自动化和复杂化的方向发展
。
滚动轴承作为旋转机械最重要的部件之一,在整个机械设备的运转过程中起着至关重要的作用
。
研究表明,近
30
%的旋转机械故障都与滚动轴承有关
。
因此,提出一个精度高
、
鲁棒性强的轴承故障诊断方法对提高机械设备的可靠性
、
降低工业成本
、
消除安全隐患具有深远意义
。
[0003]目前,旋转机械故障诊断方法主要分为基于分析模型
、
基于知识和基于数据驱动三类
。
然而,通过建立高精度的数学模型或丰富的经验知识库来实现复杂机械系统的故障诊断是极其困难和昂贵的,同时在实际工业应用中也存在一些局限性
。
随着机器学习研究的深入,基于人工智能的数据驱动故障诊断算法已成为机械故障诊断领域的研究热点
。
其中,支持向量机
、K
近邻和
BP
神经网络得到广泛应用 ...
【技术保护点】
【技术特征摘要】
1.
一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法,其特征在于,主要包括如下步骤:
S1、
数据预处理:获取滚动轴承原始振动信号,利用连续小波变换对原始振动信号进行处理,得到适合二维卷积神经网络输入的时频图;将获取的时频图按照
8:1:1
的样本比例随机划分为训练集
、
验证集和测试集;
S2、
样本扩充:构建基于自注意力生成对抗网络架构的
SAGAN
网络模型,将训练集样本作为输入对
SAGAN
网络模型进行训练,直至网络收敛,即得到与原始训练集样本分布相似的新样本;
S3、
诊断模型训练:构建基于改进残差网络的
IResNet
轴承故障诊断模型,将原始训练集样本与步骤
S2
得到的新样本相结合共同作为输入对轴承故障诊断模型进行训练,同时利用验证集调整模型超参数,直至网络收敛,得到训练好的
IResNet
轴承故障诊断模型;
S4、
轴承故障诊断:将测试集样本输入训练好的
IResNet
轴承故障诊断模型中进行测试,得到轴承故障诊断结果
。2.
根据权利要求1所述的一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法,其特征在于,步骤
S2
中的
SAGAN
网络模型包括生成器和鉴别器,在
SAGAN
训练中,迭代更新模型参数,
batchsize
为
16
,使用
RMSprop
优化器,生成器和鉴别器的学习率为
0.0005
,两者交替训练直到收敛
。3.
根据权利要求2所述的一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法,其特征在于,在生成器中,符合均匀分布的随机噪声变量被映射并重塑为卷积特征图表示,然后通过第一至第五共五层转置卷积运算生成大小为
(64
,
64
,
3)
的时频图像样本,在各个转置卷积层中,卷积核大小为4,步长为2,第一至第五转置卷积层的通道数分别为
512
,
256
,
128
,
64
和3;其中,第一至第四转置卷积层均通过频谱归一化和
ReLU
激活函数进行处理,第三到第四层转置卷积
、
以及第四到第五层转置卷积时使用自注意力机制来获得全局相关性;第五转置卷积层的激活函数是
Tanh
函数
。4.
根据权利要求2所述的一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法,其特征在于,在鉴别器中总共有第一至第五共五个卷积层,各层的卷积核大小均为4,步长均为2,第一至第五卷积层的通道数分别为
64
,
128
,
256
,
512
和1;卷积后,使用频谱归一化和
LeakyReLU
激活函数进行处理;第三到第四层卷积
、
以及第四到第五层卷积时使用自注意力机制来获得全局相关性
。5.
根据权利要求1所述的一种基于
SAGAN
‑
IResNet
的少样本轴承故障诊断方法,其特征在于,步骤
S3
中,所述改进残差网络是将多头注意力机制与残差网络相结合得到...
【专利技术属性】
技术研发人员:王国强,石念峰,杨向兰,武建伟,赵利国,朱德荣,谢扬筱,庞崇文,
申请(专利权)人:洛阳理工学院,
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。