一种基于制造技术

本发明专利技术提出了一种基于

【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
。
尽管这种方法已经取得一定的效果，但由于网络结构较浅，特征提取能力不足，从而制约了轴承故障诊断精度的进一步提升
。
[0004]随着深度学习技术与类脑认知机制结合，克服了标准神经网络在实际应用中的瓶颈
。
目前，深度学习在语音识别
、
自然语言处理和计算机视觉等多个领域都取得了良好的研究成果，并广泛应用于故障诊断领域
。
例如，赵小强等
(
赵小强
,
张青青
.
改进
Alexnet
的滚动轴承变工况故障诊断方法
[J].
振动
.
测试与诊断
,2020,40(03):472
‑
480+623)
提出了一种改进
AlexNet
的滚动轴承变工况故障诊断方法
。Xu
等
(Xu Zifei,Li Chun,Yang Yang.Fault diagnosis of rolling bearing of wind turbines based on the Variational Mode Decomposition and Deep Convolutional Neural Networks[J].Applied Soft Computing,2020,95)
将一维卷积神经网络与自动编码器结合，提高了轴承故障诊断准确性，减少了诊断延迟
。Zhang
等
(Zhang K,Wang J,Shi H,et al.A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions[J].Measurement,2021,182:109749)
提出了一种改进的卷积神经网络模型，有效地提取丰富互补的故障特征，提高故障诊断性能
。
尽管上述轴承故障诊断方法取得了不错的效果，但在实际工业场景中，要实现高精度的故障诊断仍存在许多困难和挑战，其中最主要的两个挑战如下：
(1)
样本量不足：对于深度学习模型，训练数据是影响其性能的重要因素
。
然而在实际的工业环境中，机械设备通常都是在正常的工作条件下运行，很难收集足够多的故障样本，获得大量且平衡的机械故障数据既耗时又昂贵，这极大影响了模型诊断结果的准确性
。(2)
特征提取困难：在实际的工业生产中，环境噪声与负载变化都会对机械设备的
运转产生干扰，进而导致收集到的振动信号具有较高的复杂性与不稳定性，很难从中提取出有效的特征用于机械故障诊断
。
[0005]为解决轴承故障数据集不平衡的问题，
Taylor
等
(Taylor L,Nitschke G.Improving deep learning with generic data augmentation[C]//2018IEEE symposium series on computational intelligence(SSCI).IEEE,2018:1542
‑
1547)
使用翻转
、
旋转和极坐标变换等数据增强方法对图像进行处理，提高了模型诊断准确率
。Zhang
等
(Zhang W,Peng G,Li C,et al.A New Deep Learning Model for Fault Diagnosis with Good Anti
‑
Noise and Domain Adaptation Ability on Raw Vibration Signals[J].Sensors,2017,17(2):425)
提出了重叠采样的方法处理信号，增加样本数量，缓解了数据量不足的问题
。
然而，这些方法都是对样本的重复使用，容易造成拟合过度
。
近年来，生成对抗网络为少样本难题的解决提供了新思路
。
生成对抗网络
(Generative Adversarial Nets
，
GAN)
最初被用作生成图像的框架，已被证明在图像生成方面具有强大能力，并且逐渐应用在机械故障诊断领域
。
例如，
Xie
等
(Xie Y,Zhang T.Imbalanced learning for fault diagnosis problem of rotating machinery based on generative adversarial networks[C]//2018 37th Chinese Control Conference(CCC).IEEE,2018:6017
‑
6022)
提出了一种深度卷积生成对抗模型来模拟少数类的原始分布，通过生成新样本扩充轴承故障数据集
。Fu
等
(Fu W,Jiang X,Li B,et al.Rolling bearing fault diagnosis based on 2D time本文档来自技高网...

【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：