基于元学习的滚动轴承小样本故障诊断方法技术

本发明专利技术公开了一种基于元学习的滚动轴承小样本故障诊断方法，步骤包括：步骤1、采用多尺度重采样策略，在保证滚动轴承振动信号关键信息不丢失的情况下进行采样；步骤2、引入元学习框架，构建元数据集；步骤3、构建压缩重构网络中的压缩网络；步骤4、构建重构网络；步骤5、完成故障分类。本发明专利技术的方法，提出多尺度重采样策略减少少数类和多数类样本数量差；基于CNN‑GRU的时空特征融合模型；针对小样本条件下，基于深度学习的局限性问题，采用元学习框架对模型进行训练，避免了训练时间长、模型参数需手动调整和易受环境、复杂工况对故障诊断的影响，提高了滚动轴承的安全性和可靠性，减少定期检修和维护成本。

【技术实现步骤摘要】

本专利技术属于轨道交通智能运维领域，涉及一种基于元学习的滚动轴承小样本故障诊断方法。

技术介绍

1、滚动轴承是轨道交通设备中常用的部件，随着时间的推移，滚动轴承会受到磨损、腐蚀和其他损坏因素的影响，导致滚动性能下降甚至完全失效，因此，对滚动轴承状况的及时诊断至关重要，基于深度学习的故障诊断方法在滚动轴承的智能维护中发挥着越来越重要的作用。

2、传统的研究方法多数是建立在数据量充足、故障特征明显和噪声干扰小的数据条件上，而实际所能采集到的健康数据要远多于故障数据，故障数据量极小，数据受到周围机械噪音和环境的影响也越大。因此，在小样本情况下，深度学习模型容易受限于数据量少和受到噪声和环境变化的干扰数据对模型的影响，难以建立鲁棒性强的特征提取模型和分类模型，诊断准确率有限。近年来，元学习方法备受关注，它提高了模型对不同分类任务的泛化能力，更适合小样本下的特征表征和分类问题。元学习方法从多个相关任务中学习先前的经验，并依靠获得的经验来提高其在目标任务上的性能，但是目前还没有元学习方法在少量滚动轴承样本中的应用。

3、因此，急需研制一种依据滚本文档来自技高网...

【技术保护点】

1.一种基于元学习的滚动轴承小样本故障诊断方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤1中，具体过程是：

3.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤2中，具体过程是：

4.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤3中，构建压缩网络，具体过程是：

5.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤4中，具体过程是：

6.根据权利要求1所述的基于元学习的滚动...

【技术特征摘要】

1.一种基于元学习的滚动轴承小样本故障诊断方法，其特征在于，按照以下步骤实施：

2.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤1中，具体过程是：

3.根据权利要求1所述的基于元学习的滚动轴承小样本故障诊断方法，其特征在于，步骤2中，具体过程是：

4.根据权...

【专利技术属性】
技术研发人员：黑新宏，李梦阳，姬文江，金永泽，陈炜，费蓉，邱原，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：