System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及滚动轴承故障诊断,尤其涉及一种基于自监督学习的航空发动机滚动轴承故障诊断方法。
技术介绍
1、航空发动机是飞机的关键组成部分,其中滚动轴承作为传动系统的重要组件,起着支撑和减少摩擦的关键作用。然而,由于航空发动机的特殊工作环境和高负荷运行,滚动轴承往往会面临各种故障风险,如疲劳破坏、润滑不良和轴承失效等。及早准确地诊断滚动轴承故障对于确保发动机安全运行、减少维修成本和延长使用寿命至关重要。
2、越来越多基于数据驱动的方法应用于滚动轴承故障诊断领域,在数据量充足的情况下这些方法表现出了优越的性能。但是基于数据驱动的故障诊断方法存在一个不可避免的弊端:需要大量的标记训练数据和先验知识,以便正确分类和诊断轴承故障。然而,获取足够数量的标记故障数据是一个昂贵和耗时的过程,这不仅涉及到航空发动机运行的极端环境,如高温、高压和高速等,使得数据采集设备的选择和部署非常困难且昂贵,还涉及到维修和停机时间成本、数据标记和验证的困难以及数据保密性和安全性要求的高标准,尤其对于特定类型和罕见故障的数据来说。这极大限制了传统深度学习方法的应用范围,严重的样本不足问题导致传统的深度学习方法在航空发动机滚动轴承故障诊断问题上表现不佳。
3、为了克服传统方法的限制,近年来,基于小样本学习的深度学习方法在滚动轴承故障诊断领域的应用得到了广泛关注。这些方法利用深度神经网络结构,结合特定的学习算法,能够从少量标记样本中提取有用的特征,并实现准确的分类和诊断任务。对于滚动轴承故障诊断,小样本学习的应用可以大大提高故障分类的准确性
4、因此,基于小样本学习的方法对于滚动轴承故障诊断具有重要的作用。它不仅可以减少数据需求和降低成本,还可以提高故障诊断的精度和可靠性。这种方法的发展和应用有望推动航空发动机维护领域的技术进步,提高航空安全性并降低维修成本。
技术实现思路
1、为了降低故障诊断模型训练对大量数据的依赖,本专利技术提出一种基于自监督学习的航空发动机滚动轴承故障诊断方法。
2、本专利技术的技术方案如下:一种基于自监督学习的航空发动机滚动轴承故障诊断方法,具体步骤如下:
3、步骤1:构造自监督学习的输入样本对,将来自于故障信号数据集的未标记输入信号样本x1添加随机高斯噪声得到样本x2;未标记输入信号样本x1和样本x2构成输入样本对;
4、步骤2:构建自监督学习模型;首先对自监督学习模型的参数进行初始化,所有参数赋予初值;对始化后的自监督学习模型基于输入样本对和大规模无标记的正常轴承数据进行训练,学习过程分为对预训练任务进行训练和对下游任务进行训练。
5、所述自监督学习模型以简单孪生网络simple siamese为基础;所述预训练任务中,使用简单孪生网络simple siamese对大规模无标记的正常轴承数据进行训练;通过共享参数的方式构建两个相同的子网络,这两个子网络被称为孪生网络,分别接受输入数据的两个实例,并提取它们的特征表示;这些特征表示经过进一步处理后,用于计算输入实例之间的相似度或距离;
6、所述简单孪生网络包括编码器部分、投影模块和预测模块;
7、编码器部分表示为f(·),输入样本对x1、x2经过编码器被编码为特征向量f(x1)、f(x2),其中一个特征向量传递到一个由全连接层、批归一化层和非线性激活函数层组成的投影模块h(·),输出投影向量;分别将两个输入样本对对应的特征向量和投影向量输入至预测模块,计算它们之间的距离,通过它们之间的距离,生成对同一图像不同视图的相似特征表示;度量预测模块输出的预测向量与另一个投影向量之间距离的对比损失函数为:
8、
9、其中,为负余弦相似度,p1=h(f(x1))和p2=h(f(x2))为投影模块h(·)的输出,z1=z(h(f(x1)))和z2=z(h(f(x2)))为预测模块z(·)的输出,x1和x2为输入样本对。
10、所述简单孪生网络核心是编码器部分,编码器部分主要由多个卷积层、批归一化层和非线性激活函数层组成,每个卷积层提取不同层次的特征,通过堆叠多个卷积层逐渐提取出更高级别的抽象特征;
11、卷积层为一维卷积,每层卷积核尺寸不同,分批次进行运算,卷积计算公式为:
12、
13、其中,y[i]表示输出特征图中位置i的值,w[k,j]是卷积核中的权重参数,k是卷积核的长度,c是输入样本对特征图的通道数,x[i+j-1]是输入样本对特征图中位置i+j-1的值;通过对输入样本对特征图的每个位置进行卷积操作,得到输出特征图中相应位置的值;
14、输出特征图的尺寸计算公式可以表示为:
15、
16、经卷积层后输出的一维特征图进行批归一化处理;批归一化层的数学公式如下:
17、
18、其中,y表示批归一化层的输出,x表示输入样本对特征图,e(x)表示输入样本对特征图的均值,var(x)表示输入样本对特征图的方差,γ和β分别表示缩放因子和偏置项,∈是一个常数;
19、经过批归一化处理后,得到的输出结果通过一次relu激活函数进行非线性映射,然后被输入到池化层中进行降采样操作;
20、在依次经过卷积层-批归一化层-非线性激活函数层组成的残差块进行特征提取后,通过一个跳跃连接,将输入样本对直接添加到残差块的输出上;残差块中的学习映射函数为:
21、
22、其中,表示残差块中的第一个卷积层,表示残差块中的批归一化层,表示残差块中的非线性激活函数层;
23、残差块中的跳跃连接为:
24、
25、其中,表示残差块的输出,表示残差块的跳跃连接,表示残差块的学习映射。
26、所述自监督学习模型的下游任务中,在原始孪生网络中的编码器后引入一个去噪模块,该去噪模块通过嵌入软阈值函数到预测模块部分中实现;
27、所述软阈值函数的定义如下:
28、
29、其中,x是输入数据,τ是阈值参数,s(x,τ)是输出数据;用矩阵形式表示:
30、s(x,t)=sign(x)⊙max(|x|-t,0)
31、其中,x是输入矩阵,t是阈值矩阵,sign(·)是符号函数矩阵,⊙是哈达玛积,max(|x|-t,0)是逐元素取最大值的矩阵;
32、在去噪模块中,首先使用全局平均池化层gap对编码器输出的特征向量进行降维;gap层对编码器输出的特征图的每个通道进行平均操作,生成一个长度与通道数相等的向量;而后使用卷积层对特征图进行全局信息的扫描,并从每个通道中提取局部有用的信息;
33、最后,通过sigmoid激活函数为每个通道的特征图生成一组缩放因子,对缩放因子大于软阈值的通道的特征进行增强并抑制冗余信息;在应用缩放因子后,每个通道的软阈值由以下公式给出:
...
【技术保护点】
1.一种基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,具体步骤如下:
2.根据权利要求1所述的基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,所述自监督学习模型以简单孪生网络Simple Siamese为基础;所述预训练任务中,使用简单孪生网络Simple Siamese对大规模无标记的正常轴承数据进行训练;通过共享参数的方式构建两个相同的子网络,这两个子网络被称为孪生网络,分别接受输入数据的两个实例,并提取它们的特征表示;这些特征表示经过进一步处理后,用于计算输入实例之间的相似度或距离;
3.根据权利要求2所述的基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,所述简单孪生网络核心是编码器部分,编码器部分主要由多个卷积层、批归一化层和非线性激活函数层组成,每个卷积层提取不同层次的特征,通过堆叠多个卷积层逐渐提取出更高级别的抽象特征;
4.根据权利要求2或3所述的基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,所述自监督学习模型的下游任务中,在原始孪生网络中的编码器后引入一个去噪模块,该去噪模块通
5.根据权利要求1、2或3所述的基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,所述训练结束的准则如下所示:
...【技术特征摘要】
1.一种基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,具体步骤如下:
2.根据权利要求1所述的基于自监督学习的航空发动机滚动轴承故障诊断方法,其特征在于,所述自监督学习模型以简单孪生网络simple siamese为基础;所述预训练任务中,使用简单孪生网络simple siamese对大规模无标记的正常轴承数据进行训练;通过共享参数的方式构建两个相同的子网络,这两个子网络被称为孪生网络,分别接受输入数据的两个实例,并提取它们的特征表示;这些特征表示经过进一步处理后,用于计算输入实例之间的相似度或距离;
3.根据权利要求2所述的基于自监督学习...
【专利技术属性】
技术研发人员:杨斌,徐易,宋义明,丁培轩,孙希明,
申请(专利权)人:大连理工大学,
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。