【技术实现步骤摘要】
本专利技术涉及小样本下滚动轴承故障诊断，尤其涉及一种基于样本生成的小样本下滚动轴承故障诊断方法。
技术介绍
1、轴承作为旋转机械，在工业应用中起着非常重要的作用。轴承故障会造成机械损坏，甚至威胁到用户的安全。因此，对滚动轴承进行故障诊断，对保证旋转机械系统的稳定运行至关重要。近年来，深度学习因其强大的特征提取和学习能力，在故障诊断领域表现出了良好的效果。
2、然而，深度学习方法需要大量的高质量的标记数据才能获得良好的性能。在真实的工业环境中，很难收集到足够的标记数据，特别是缺乏故障数据。这种情况下，故障诊断算法的性能会受到严重影响。
3、为了解决上述因数据容量带来的问题，小样本学习应运而生。小样本学习是在每类训练数据只有少数几个样本的前提下的学习和分类。目前的小样本学习方法主要分为三类：元学习方法、度量学习方法和数据生成方法。与前两者相比，数据生成方法因不需要昂贵计算且不用考虑复杂采样策略而得到广泛应用。
4、尽管传统模型在样本生成方面已经取得了比较不错的效果，但是生成的图像会出现模糊、细节处理较差的问题，这在一定程度上限制了实际工业生产中的应用。
技术实现思路
1、本专利技术的目的在于提供一种针对滚动轴承典型故障的样本生成方法，并结合多尺度残差卷积分类网络，解决核电领域转机设备样本不足导致的智能模型实际应用不佳的问题。
2、为了实现上述目的，本专利技术提供如下技术方案：
3、一种基于样本生成的小样本下滚动轴承故障诊断方法
4、所述的基于样本生成的小样本下滚动轴承故障诊断方法具体包括：
5、步骤1：针对轴承故障振动数据(包含正常、外圈故障、内圈故障、滚动体故障)，利用连续小波变换，获得轴承不同状态的时频图，主要包含内圈、外圈、滚动体、正常4种时频图；
6、步骤2：将上述4种时频图集划分为训练集：验证集(均包含4种时频图)＝1：9，用于本方法效果测试与验证；
7、步骤3：采用cyclegan模型借助源域的同类型样本对少量的训练集样本进行样本增强；
8、步骤4：将增强后的样本(原训练集样本和生成样本)用于多尺度残差卷积分类网络训练
9、步骤5：使用验证集验证本方法的准确性。
10、步骤1包括：
11、步骤1.1：将目标域中的一维时域振动信号进行连续小波变换，获得4种时频图；将得到的时频图数据集划分为训练集和测试集；
12、步骤1.2：把源域中的一维时域振动信号进行连续小波变换，获得4种时频图。
13、步骤2中，将上述4种时频图集划分为训练集(正常、外圈、内圈、滚动体)和验证集(均包含4种时频图)，随机按照训练集：验证集＝1：9的比例进行划分，用于本方法效果测试与验证。
14、步骤3包括：
15、将目标域的少量训练集样本和源域样本(与训练集轴承故障类型相同，但轴承受损程度和损位置存在差异)均输入cyclegan模型进行训练，训练完成后，分别得到针对各类样本数据的生成器，最终生成大量样本。
16、cyclegan模型的具体训练过程为：
17、将目标域的训练集样本输入生成器一中，生成器一将目标域图片转换为源域图片；鉴别器一鉴别源域图片的真伪；将生成的源域图片输入生成器二中，生成器二将源域图片转换为目标域图片；鉴别器二鉴别目标域图片的真伪；
18、将源域样本输入生成器二中，生成器二将源域图片转换为目标域图片；鉴别器二负责鉴别目标域图片的真伪；将目标域的真实样本输入生成器一中，生成器一将目标域图片转换为源域图片；鉴别器一鉴别源域图片的真伪；
19、重复上述过程直到生成器二生成的目标域样本质量符合要求，从而增强目标域的训练集样本数量。
20、步骤4包括：
21、将上述cyclegan模型生成的样本和原训练集样本合并，得到充足的样本后用于多尺度残差卷积分类网络训练。将源域样本输入训练好的生成器二，生成目标域的故障样本以补充目标域缺失的样本，将借助源域生成的样本以及目标域的样本组合在一起，得到训练集准备对分类模型进行训练。
22、步骤5包括：
23、将测试集输入训练好的多尺度残差卷积分类网络中进行测试，得到轴承各个故障的诊断结果。
24、将经过数据增强之后的训练集输入cnn分类模型训练，然后用训练完成的分类器对测试集进行故障分类，利用cnn强大的特征提取能力对各类故障样本做准确识别。
25、自主搭建的cnn分类模型网络结构为：将串联的二维卷积层、池化层、归一化层、激活层设为一组，重复3组，之后将串联的全连接层、归一化层、激活层设为一组，重复2组，最后加一层softmax分类层。网络输出为4维one-hot向量，做4分类：外圈故障、内圈故障、滚珠故障以及健康状态，其对应的向量形式分别为：[1，0，0，0]t、[0，1，0，0]t、[0，0，1，0]t、[0，0，0，1]t。
26、与现有技术相比，本专利技术提供的一种基于样本生成的小样本下滚动轴承故障诊断方法具有以下有益效果：
27、本专利技术通过引入小波变换，将一维振动信号转化为二维时频图，不但能充分发挥卷积神经网络强大的特征提取能力，使分类网络更好的获取关键信息，还能在数据生成时辅助观察图片情况，方便生成网络模型及时改善。
28、本专利技术提出的生成网络模型，可以有效增加高质量的样本数量，使分类网络获取更多信息，提升分类精度。
29、本专利技术可以在目标域故障样本缺失的情况下，通过借助源域样本，对目标域样本进行样本增强，提高滚动轴承智能诊断模型的实际应用。
本文档来自技高网...【技术保护点】
1.一种基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，将滚动轴承的原始一维振动数据通过连续小波变换转换为二维图像；利用循环生成对抗网络借助源域的同类型图像对目标域图像数据做样本增强；将生成图片和原图片合并后的样本输入多尺度残差卷积分类网络进行训练，实现小样本下滚动轴承的智能诊断。
2.根据权利要求1所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，具体包括：
3.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤1包括：
4.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤2包括：
5.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤3中，将目标域的训练集样本和源域样本均输入CycleGAN模型进行训练，训练完成后，分别得到针对各类样本数据的生成器，然后把生成的样本与训练集混合在一起，用于分类器训练，以实现数据增强。
6.根据权利要求5所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，Cycle
7.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤4包括：
8.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤5包括：
...【技术特征摘要】
1.一种基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，将滚动轴承的原始一维振动数据通过连续小波变换转换为二维图像；利用循环生成对抗网络借助源域的同类型图像对目标域图像数据做样本增强；将生成图片和原图片合并后的样本输入多尺度残差卷积分类网络进行训练，实现小样本下滚动轴承的智能诊断。
2.根据权利要求1所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，具体包括：
3.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤1包括：
4.根据权利要求2所述的基于样本生成的小样本下滚动轴承故障诊断方法，其特征在于，步骤2包括：
【专利技术属性】
技术研发人员：蒋庆磊，侯修群，张钊光，张益舟，苗碧琪，李振亚，
申请(专利权)人：中核武汉核电运行技术股份有限公司，
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。