【技术实现步骤摘要】
本专利技术涉及故障诊断领域，尤其涉及一种基于f&k域增量学习的滚动轴承故障诊断方法及系统。
技术介绍
1、电机滚动轴承故障诊断方法一般分为三种：基于模型的方法、信号处理方法和数据驱动方法。深度学习方法作为一种典型的数据驱动方法，具有很强的特征挖掘能力，它广泛应用于系统运行状态复杂、机理建模困难的工业故障诊断场景。工业机械设备在时变工况(改变转速或负载)下会持续产生具有实时性和可变性的动态数据信息，数据分布的变化会导致数据空间的底层结构的不同，新旧数据间难以满足深度学习关于数据独立同分布的要求，故难以利用现有模型实现对新数据的高精度故障诊断。对新数据的重新训练又会导致对旧数据的灾难性遗忘，即模型无法适应持续动态变化的场景。
2、针对时变工况下产生动态数据的问题，现有技术多采用迁移学习的方法，其核心是将某一领域学习到的知识应用于另一新领域，其主要关注点在于知识在新领域的性能，而不再关注知识在源领域的性能。也就是，迁移学习更多是变工况情况下的单次学习，而不具备持续学习的能力。
3、域增量学习方法可分为基于网络结构、基于回放、基于正则化三类。
4、基于网络结构的方法通过调整神经网络结构，使模型在学习新知识时最大程度地保留旧知识。模型通常包含多个特征提取层和分类层。为了减少模型的冗余，使用共享的特征提取层或分类层成为一种常见做法。然而，共享的特征提取层通常是在旧域上进行训练的，这些特征可能无法完全适应新域的数据分布。
5、基于回放的方法通常需要大量空间来存储先前的数据样本，以便在增量
6、基于正则化的方法通过给新领域的损失函数施加约束来保护旧知识不被新知识覆盖，以缓解增量学习中的灾难性遗忘。正则化的方法可以分为参数正则化和知识蒸馏两种。但用于知识蒸馏的数据大部分属于新领域，这将导致模型很容易偏向新域，无法很好的保存旧领域的知识。
技术实现思路
1、本专利技术要解决的技术问题就在于：针对现有技术存在的技术问题，本专利技术提供一种基于f&k域增量学习的滚动轴承故障诊断的方法，允许模型处理随时间变化连续到来的不同工况的数据，在学习新工况知识的同时有效地保留旧工况的知识，从而更好地进行实时故障诊断，这是一种能较好地克服稳定性-可塑性困境的方法。
2、为解决上述技术问题，本专利技术提出的技术方案为：
3、一种基于f&k域增量学习的滚动轴承故障诊断方法，包括：
4、s101)采集随时间变化连续到来的不同工况下的电机滚动轴承数据样本；
5、s102)对每个工况下的电机滚动轴承数据样本构建筛选列和知识库的可扩展框架，由每个新工况的数据样本与旧工况知识库中的代表性样本混合后筛选得到对应的新工况的代表性样本并保存在对应的知识库中；
6、s103)利用ewc算法，使用旧工况知识库的代表性样本训练模型并使用新工况知识库的代表性样本更新模型参数；
7、s104)根据更新的模型参数获取新工况的故障类别的预测值，得到故障诊断结果。
8、进一步的，步骤s101中电机滚动轴承数据样本包括电机滚动轴承振动加速度的故障数据样本和正常数据样本。
9、进一步的，步骤s102中对每个工况下的电机滚动轴承数据样本构建筛选列和知识库的可扩展框架时，包括：
10、若新工况为首个工况，针对新工况的电机滚动轴承数据样本进行重要性排序，并使用指定的第一稀疏率从排序后的电机滚动轴承数据样本中进行筛选，得到新工况对应的代表性样本；
11、若新工况不为首个工况，针对旧工况的知识库中的代表性样本和新工况的电机滚动轴承数据样本混合后进行重要性排序，并使用指定的第二稀疏率从排序后的电机滚动轴承数据混合样本中进行筛选，得到新工况对应的代表性样本。
12、进一步的，所述进行重要性排序具体为按照l1正则化标准进行重要性排序。
13、进一步的，按照l1正则化标准进行重要性排序时，包括：
14、在训练好的网络上遍历电机滚动轴承数据样本中的每个数据并得到每个数据的预测值，计算每个数据的预测值和标签值之差的绝对值，并将每个数据对应的绝对值相加，得到电机滚动轴承数据样本的规范值；
15、将每个电机滚动轴承数据样本按照对应的规范值从小到大排序。
16、进一步的，每个工况对应的第二稀疏率分别各不相同。
17、进一步的，步骤s103包括：
18、使用旧工况知识库的代表性样本训练模型，得到旧工况的参数向量其中i表示参数向量中的参数序号，n-1表示旧工况的序号，计算旧工况的交叉熵分类损失函数l(n-1)(θ)；使用fisher信息矩阵评估旧工况的参数向量中各参数的重要性；
19、使用训练好的模型学习新工况知识库的代表性样本，得到新工况的参数向量θi，计算新工况的交叉熵分类损失函数l(n)(θ)以及ewc重要度损失函数将新工况的交叉熵分类损失函数l(n)(θ)以及ewc重要度损失函数相加，得到最小化的总损失函数ln(θ)；
20、根据ewc重要度损失函数将参数向量中的重要性高的参数保留，并将参数向量中的重要性低的参数替换为参数向量θi中的对应参数，得到新工况更新后的参数向量，使得所述模型的损失函数为ln(θ)。
21、进一步的，步骤s104包括：参数更新后的模型根据交叉熵分类损失函数l(n)(θ)，对新工况知识库的代表性样本分别进行分类，从而确定每个样本的类型为故障数据样本或者为正常数据样本。
22、进一步的，使用fisher信息矩阵评估旧工况的参数向量中各参数的重要性具体是指计算参数向量中各参数对应的fisher信息矩阵的值；重要性高的参数为fisher信息矩阵的值大于预设阈值的参数，重要性低的参数为fisher信息矩阵的值小于预设阈值的参数，fisher信息矩阵的值表达式如下：
23、
24、其中，xi表示旧工况的代表性样本中的第i个数据，m为旧工况的代表性样本中的数据数量，p(xi|θ)为旧工况的代表性样本中的第i个数据的概率。
25、本专利技术还提出一种基于f&k域增量学习的滚动轴承故障诊断系统，包括互相连接的微处理器和计算机可读存储介质，所述微处理被编程或配置以执行任一项所述的基于f&k域增量学习的滚动轴承故障诊断方法。
26、与现有技术相比，本专利技术的优点在于：
27、本专利技术由筛选列与知识库组成的可扩展框架(f&k)和弹性权重巩固(elasticweight consolidation，ewc)参数更新模块两个部分组成。其中，在f&k部分，筛选列本文档来自技高网...
【技术保护点】
1.一种基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，步骤S101中电机滚动轴承数据样本包括电机滚动轴承振动加速度的故障数据样本和正常数据样本。
3.根据权利要求1所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，步骤S102中对每个工况下的电机滚动轴承数据样本构建筛选列和知识库的可扩展框架时，包括：
4.根据权利要求3所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，所述进行重要性排序具体为按照L1正则化标准进行重要性排序。
5.根据权利要求4所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，按照L1正则化标准进行重要性排序时，包括：
6.根据权利要求3所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，每个工况对应的第二稀疏率分别各不相同。
7.根据权利要求1所述的基于F&K域增量学习的滚动轴承故障诊断方法，
8.根据权利要求7所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，步骤S104包括：参数更新后的模型根据交叉熵分类损失函数L(n)(θ)，对新工况知识库的代表性样本分别进行分类，从而确定每个样本的类型为故障数据样本或者为正常数据样本。
9.根据权利要求7所述的基于F&K域增量学习的滚动轴承故障诊断方法，其特征在于，使用Fisher信息矩阵评估旧工况的参数向量中各参数的重要性具体是指计算参数向量中各参数对应的Fisher信息矩阵的值；重要性高的参数为Fisher信息矩阵的值大于预设阈值的参数，重要性低的参数为Fisher信息矩阵的值小于预设阈值的参数，Fisher信息矩阵的值表达式如下：
10.一种基于F&K域增量学习的滚动轴承故障诊断系统，其特征在于，包括互相连接的微处理器和计算机可读存储介质，所述微处理被编程或配置以执行权利要求1～9任一项所述的基于F&K域增量学习的滚动轴承故障诊断方法。
...【技术特征摘要】
1.一种基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，步骤s101中电机滚动轴承数据样本包括电机滚动轴承振动加速度的故障数据样本和正常数据样本。
3.根据权利要求1所述的基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，步骤s102中对每个工况下的电机滚动轴承数据样本构建筛选列和知识库的可扩展框架时，包括：
4.根据权利要求3所述的基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，所述进行重要性排序具体为按照l1正则化标准进行重要性排序。
5.根据权利要求4所述的基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，按照l1正则化标准进行重要性排序时，包括：
6.根据权利要求3所述的基于f&k域增量学习的滚动轴承故障诊断方法，其特征在于，每个工况对应的第二稀疏率分别各不相同。
7.根据权利要求1所述的基于f&...
【专利技术属性】
技术研发人员：孙梅迪，肖鑫淼，何哲文，陈棠燕，吴公平，何青，
申请(专利权)人：长沙理工大学，
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。