【技术实现步骤摘要】
本专利技术涉及工业过程故障诊断与模式识别领域，具体地，涉及一种稀缺样本下的隧道掘进机主轴承故障诊断方法及系统。
技术介绍
1、主轴承，有全断面隧道掘进机(简称“盾构机”)的“心脏”之称，承担着盾构机运转过程的主要载荷，是刀盘驱动系统的关键部件，工作所处环境十分恶劣。盾构机在掘进过程中会面临各种复杂的地层，盾构机主轴承要承受高速旋转、巨大载荷和强烈温升。因此，准确地感知主轴承状态并诊断故障类型，对于保障隧道掘进机主驱动系统的安全运行至关重要。然而，现有的隧道掘进机主轴承故障诊断算法没有考虑到样本稀缺条件下，模型诊断精度会大大降低的问题。
2、现有的小样本故障诊断算法由于隧道掘进机的刀盘破岩引起的持续冲击通过机械本体进行传导，导致主轴承监测信号中含有噪声成分，小样本故障诊断模型的精度受噪声干扰影响较大。其输入格式难以匹配隧道掘进机滚子状态监测数据的类型，无法直接将小样本算法应用于传感滚子监测数据，难以直接应用于隧道掘进机主轴承。
3、在公开号为cn115017950a的中国专利文献中，公开了一种基于滚子状态的隧道掘进机主轴承故障诊断方法及系统，包括：步骤s1：获取主轴承滚子的三轴振动数据；步骤s2：通过变分模态分解方法去除滚子内传感器数据的运动趋势项；步骤s3：建立双流多通道深度卷积神经网络训练滚子三轴振动数据。该专利文献通过监测主轴承的滚子状态，融合滚子旋转过程中的多方位径向振动和轴向振动特征，在强噪声工况下取得了部分诊断效果。然而，由于时刻变化的低速重载运行环境，单一工况的带标记样本发挥的作用十分有限，使
4、在公开号为cn113920348a的中国专利文献中，公开了一种基于半监督动量原型网络的风力发电机组齿轮箱诊断方法，包括1、半监督动量原型网络训练：2、风力发电机组齿轮箱故障诊断。该专利文献采用半监督动量原型网络进行小样本学习，在齿轮箱诊断任务中取得了部分效果。然而，该专利文献无法将小样本方法合理应用于隧道掘进机主轴承诊断任务中，并且刀盘破岩引起的强烈冲击激励也大大影响了稀缺样本下的诊断精度，因此无法解决上述问题。
5、在公开号为cn114254674a的中国专利文献中，公开了一种基于半监督分类器的永磁同步电机退磁故障诊断方法及系统，包括采集永磁同步电机表面的漏磁信号；将一维时域的漏磁信号进行对称点阵图像生成，得到二维的对称点阵图像；将对称点阵图像输入小波散射卷积网络进行特征提取，得到特征向量；将特征向量输入预先训练好的半监督深度规则分类诊断器，得到退磁故障诊断结果。该专利文献利用小波散射卷积网络进行特征提取，基于半监督深度规则分类器初步实现小样本数据下的故障诊断；但该专利文献仍然无法将小样本方法合理应用于隧道掘进机主轴承诊断任务中，因此也无法解决上述问题。
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种稀缺样本下的隧道掘进机主轴承故障诊断方法及系统。
2、根据本专利技术提供的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，包括：
3、步骤s1：获取集成传感滚子状态数据并进行小波散射变换，将变换得到的振动信号使用卷积神经网络提取特征点；
4、步骤s2：将得到的特征点作为特征编码器的输出，根据半监督原型网络学习方法在特征空间中生成诊断网络原型；
5、步骤s3：基于半监督训练策略，使用未标记的样本特征修正原型，得到隧道掘进机主轴承故障诊断网络，通过诊断网络对隧道掘进机主轴承进行故障诊断。
6、优选的，所述步骤s1包括以下子步骤：
7、步骤s1.1：小波滤波器组{ψλ}提取信号多尺度和方向的信息，对x的复数进行小波变换：
8、
9、其中，x表示原始输入信号，t为时间，*代表卷积运算，j表示虚数单位，a为连续尺度参数，b代表主波沿t域的移动距离；
10、获取小波散射系数sm，通过取模运算得到信号的规则包络；取模算子运算过程为：
11、
12、小波模系数um由复数小波构建：
13、
14、其中，λ1...λm表示滤波器组中小波的序号，m为滤波器组中的小波数量，|.|为范数符号；
15、对小波模系数um+1进行尺度函数的卷积操作，获取信号的低频信息：
16、
17、其中，φ(t)为低通滤波器的尺度函数；信号经过复数小波算子和取模算子交叠运算后丢失高频信息，信号在迭代过程中依照路径散射到不同的尺度和方向；
18、步骤s1.2：将小波散射系数sm逐层输出，小波模系数um+1依次传递到下一层网络进行运算；
19、步骤s1.3：将小波散射变换后的径向振动信号和轴向振动信号分别输入到双通道卷积神经网络和单通道卷积神经网络中，得到特征点。
20、优选的，所述步骤s2包括以下子步骤：
21、步骤s2.1：将得到的特征点作为特征编码器的输出，进行元数据集划分；
22、步骤s2.2：依次进行特征嵌入操作、原型生成操作、距离度量操作，计算训练损失值。
23、优选的，所述步骤s2.1中元数据集划分包括：
24、元学习将训练数据集分为支持集s和查询集q两部分；
25、其中，支持集表示s中第i个d维样本为对应的样本标签，表示s中第i个d维样本，为对应的样本标签，n为状态的类别数，k为每类的样本数量；
26、查询集表示q中第i个d维有标签样本表示q中第i个d维样本，为对应的样本标签，l为q中每类的样本数量。
27、优选的，所述特征嵌入操作包括：将支持集的样本数据输入到步骤s2.1中的特征编码器中生成特征向量，学习支持集到度量空间的非线性映射关系，将得到的m维特征向量作为度量空间的点；其中为可学习参数；
28、所述原型生成操作包括：聚集度量空间中每类样本特征嵌入的点，均值计算过程为：
29、
30、其中，cn表示第n类样本生成的原型；k为第n类样本的数量；sn表示n类样本的总大小；
31、所述距离度量操作包括：测量支持集各类原型与查询集样本的距离进一步通过softmax计算查询集样本类别归属的概率计算公式为：
32、
33、其中，exp为指数运算，的具体表达式为：
34、
35、所述计算训练损失值包括：根据预测结果与查询集实际标签之间的交叉熵损失值，计算目标损失函数，使损失值达到最小：
36、
37、其中，nq为查询集样本数量。
38、优选的，所述步骤s3包括：通过下式修正初始原型的位置：
39、
40、根据本专利技术提供的一种稀缺样本下的隧道掘进机主轴承故障诊断系统，包括：
41、模块m1：获取集成传感滚子状态数据并进行小波散射变换，将变换得到的振动信号使用卷积神经网络提取特征点；...
【技术保护点】
1.一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤S1包括以下子步骤：
3.根据权利要求1所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤S2包括以下子步骤：
4.根据权利要求3所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤S2.1中元数据集划分包括：
5.根据权利要求3所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述特征嵌入操作包括：将支持集的样本数据输入到步骤S2.1中的特征编码器中生成特征向量，学习支持集到度量空间的非线性映射关系，将得到的M维特征向量作为度量空间的点；其中为可学习参数；
6.根据权利要求1所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤S3包括：通过下式修正初始原型的位置：
7.一种稀缺样本下的隧道掘进机主轴承故障诊断系统，其特征在于，包括：
8.根据权利要求7所述的一种稀
9.根据权利要求7所述的一种稀缺样本下的隧道掘进机主轴承故障诊断系统，其特征在于，所述模块M2包括以下子模块：
10.根据权利要求9所述的一种稀缺样本下的隧道掘进机主轴承故障诊断系统，其特征在于，所述模块M2.1中元数据集划分包括：
...【技术特征摘要】
1.一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤s1包括以下子步骤：
3.根据权利要求1所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤s2包括以下子步骤：
4.根据权利要求3所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述步骤s2.1中元数据集划分包括：
5.根据权利要求3所述的一种稀缺样本下的隧道掘进机主轴承故障诊断方法，其特征在于，所述特征嵌入操作包括：将支持集的样本数据输入到步骤s2.1中的特征编码器中生成特征向量，学习支持集到度量空间的非线性映射关...
【专利技术属性】
技术研发人员：伏星辰，陶建峰，周立航，周勇旬，孙修洁，
申请(专利权)人：上海交通大学，
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。