【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于改进原型网络的机电设备的故障诊断方法。
技术介绍
1、机电设备在各个行业中发挥着至关重要的作用，为了确保机电设备运营的连续性，避免机电设备由于停机所造成的高昂代价，须确保机电设备在长时间内的正常运行。机器学习和原型网络广泛应用于图像分类任务，由于机电设备工况十分复杂，故障种类繁多，时变性强，振动信号的频率成分复杂，因此，现有的基于原型网络的机电设备的故障诊断方法容易忽略频谱内部的相关性，且大量噪声的存在严重干扰了振动信号的故障特征，且样本分类准确率低，且抗干扰能力差。
技术实现思路
1、本专利技术为解决现有的基于原型网络的机电设备的故障诊断方法容易忽略频谱内部的相关性，且样本分类准确率低，抗干扰能力差，提供一种基于改进原型网络的机电设备的故障诊断方法，具有更高的样本分类准确率和更强的抗干扰能力。
2、本专利技术提出的基于改进原型网络的机电设备的故障诊断方法，具体包括如下步骤：
3、s1、数据预处理：利用振动传感器采集机电设备的原始一维振动数据，并对原始一维振动数据进行归一化处理获得包含机电设备的所有故障特征和正常状态的一维振动时间序列信号，将一维振动时间序列信号转换为保留时间相关性的振动图像。
4、s2、网络的模型训练：构建编码器，编码器通过分布-原型层的方法提取振动图像中的所有类别的原型，并对所有原型进行模型训练和优化。
5、步骤s2具体包括如下步骤：
6、s21、将振动图像按照6
7、s22、将训练支持集中的各类别的样本分别通过编码器进行编码获得各类别的原型，并通过编码器将训练支持集中的样本映射到特征空间，在训练支持集中抽取部分样本作为参考样本，计算测试集中的所有样本与测试集中除参考样本以外的其他所有样本的相对熵：
8、（1）；
9、其中，s为测试集中的所有样本，为参考样本中的第i个样本；
10、s23、将相对熵进行归一化处理，获得参考样本的的第i个样本的权重w：
11、（2）；
12、s24、重复步骤s22-s23，利用训练查询集中的样本对权重进行测试优化；
13、s25、根据步骤s24的优化结果，通过下式计算各类别的原型的概率，并保存训练模型：
14、（3）；
15、其中，为编码器的编码公式，，为对应的权重，k为原型种类，sk为第k种原型对应的参考样本中的样本，为模型参数；
16、s26、将式（3）代入下式，计算参考样本中的第i个样本属于各类别的原型的概率：
17、=（4）；
18、其中，为参考样本中的第i个样本与第k类原型的欧氏距离；
19、s27、根据式（4）的计算结果，通过随机梯度下降法对下式对进行反复迭代，更新对应的权重和模型参数，完成对训练模型的优化：
20、（5）；
21、s3、故障诊断测试：利用步骤s27获得的训练模型对测试集进行故障诊断，获得测试集中的测试样本的故障诊断结果。
22、优选地，步骤s1具体包括如下步骤：
23、s11、将原始一维振动数据缩放在区间[0，1]内，并进行归一化处理：
24、（6）；
25、其中，为归一化序列中的第i个元素，a为原始一维振动数据，为原始一维振动数据中的第i个元素。
26、s12、在极坐标中表示归一化序列，通过下式将归一化序列的值编码为角余弦，并将归一化序列的时间戳编码为半径：
27、（7）；
28、（8）；
29、其中，为元素对应的角余弦，ti为元素的时间戳，n为调整极坐标系跨度的常数因子，为自然数集。
30、s13、根据式（7）的计算结果将归一化序列转换为振动图像gaf：
31、（9）。
32、优选地，构建包括4层cnn卷积块和拉直层的编码器，4层cnn卷积块依次连接后与拉直层连接，每层cnn卷积块包括3*3的二维卷积层、批归一化层、基于relu函数的激活层和最大池化层。
33、与现有技术相比，本专利技术能够取得如下有益效果：
34、1、本专利技术对于在小样本分类任务上有较好性能的原型网络进行改进，通过相对熵计算样本的分布的影响差异，并通过计算训练支持集中的样本的分布的影响变化差异来对各原型进行分类，即样本的分布的影响差异可在没有该样本的情况下通过样本的分布的变化来测量。
35、2、本专利技术利用gramian angular field（gaf）算法将一维时间序列转化为二维振动图像，大大提升了2维cnn的应用效果，有效解决了健康监测数据的长尾分布等缺点，增强了训练支持集中样本与训练集中的所有样本的依赖关系，提高了模型特征的提取能力，提升了模型分类的准确性。
本文档来自技高网...【技术保护点】
1.一种基于改进原型网络的机电设备的故障诊断方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的基于改进原型网络的机电设备的故障诊断方法，其特征在于，所述步骤S1具体包括如下步骤：
3.根据权利要求1所述的基于改进原型网络的机电设备的故障诊断方法，其特征在于，构建包括4层CNN卷积块和拉直层的编码器，4层CNN卷积块依次连接后与所述拉直层连接，每层CNN卷积块包括3*3的二维卷积层、批归一化层、基于ReLU函数的激活层和最大池化层。
【技术特征摘要】
1.一种基于改进原型网络的机电设备的故障诊断方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的基于改进原型网络的机电设备的故障诊断方法，其特征在于，所述步骤s1具体包括如下步骤：
3.根据权利要求1所...
【专利技术属性】
技术研发人员：王子龙，沈宏海，王含宇，杨名宇，姚东，晏春回，孟令通，郎凯奇，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
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。