【技术实现步骤摘要】
本专利技术涉及数据驱动下的故障诊断，尤其涉及一种基于半监督原型增强网络的滚动轴承故障诊断方法。
技术介绍
1、滚动轴承作为工业系统中最重要的部件之一，被广泛应用于数控车床、电动汽车等旋转机械领域。滚动轴承长期处于高转速、工作环境恶劣的环境中，容易导致轴承磨损、疲劳断裂等故障发生，轻则导致设备故障，重则会造成巨大的经济损失甚至是人员伤害。据统计，由轴承损坏导致的旋转机械故障约为30％。因此，如何准确快速识别滚动轴承的故障，成为一个仍需解决的问题，研究有效的滚动轴承的故障诊断识别技术具有实际的意义。
2、传统的故障诊断技术是依靠人工设计特征提取器将故障信息从原始信号剥离出来，比如：傅里叶变换、短时傅里叶变换、小波变换等，这些技术都广泛利用在故障诊断领域中，也取得了很好的效果。但随着大数据的到来，海量数据下的振动信号下利用传统的故障诊断技术处理，务必会使投入的时间与成本增加。为提高系统的可靠性并降低维护成本，各种机器学习与深度学习算法的引入使数据驱动下的故障诊断方法快速发展。
3、虽然深度学习方法在故障诊断领域中可以得到很好应用，但现有的方法都需要大量标签样本去提高模型的泛化能力，这种获取大量标签样本的过程会消耗大量时间和人力。基于迁移学习的深度学习方法尝试使用少量标签样本去缓解这一难题，但是只依靠少量标签样本去构建原型网络下的故障诊断模型，就会导致少量标签样本生成的原型偏离类别中心，降低诊断模型后期甄别不同故障类别的能力。
技术实现思路
1、本专利技术提供一种基
2、为解决上述技术问题，本专利技术提供一种基于半监督原型增强网络的滚动轴承故障诊断方法，包括如下步骤：
3、步骤1：数据采集与划分，包括：采集在不同轴承状态下各种工况的一维振动信号，并将收集的样本划分为训练集、测试集以及无标签数据集；
4、步骤2：训练半监督原型增强网络得到诊断模型，所述半监督原型增强网络采用原型网络为框架，包括：在训练阶段的每个迭代过程中，在有标签数据集中随机抽取支持集和查询集，所述支持集用于生成每个类别下的原型，所述无标签数据集用于增强原型，所述查询集对诊断模型进行检验并计算损失，通过多次迭代训练，调整所述诊断模型的参数直到收敛；
5、步骤3：使用训练好的诊断模型进行故障诊断，包括：利用测试集对训练好的诊断模型进行验证，并对诊断模型的分类能力进行可视化处理。
6、较佳地，所述半监督原型增强网络包括特征提取模块和原型增强模块。
7、较佳地，所述特征提取模块包括多个卷积块和双池化注意力残差网络。
8、较佳地，所述卷积块采用1×3的卷积核，以获取样本中的细致特征，所述卷积块包括卷积运算、批量归一化、激活运算和池化运算。
9、较佳地，所述双池化注意力残差网络依次包括卷积层、批量归一化层、激活函数、注意力层以及两种池化层，两种池化层分别为自适应平均池化层和自适应最大池化层，两者的结果相加后，与输入数据进行残差连接。
10、较佳地，所述注意力层中，两个线性层中添加有丢弃层。
11、较佳地，所述原型增强模块用于获取支持集生成的第一原型和无标签数据集生成的第二原型，并基于第二原型消除第一原型偏离聚类中心的位置差异。
12、较佳地，基于第二原型消除第一原型偏离聚类中心的位置差异的方法包括：
13、计算第一原型与第二原型之间的距离；
14、基于二者之间的距离，计算得到互相匹配的第一原型与第二原型；
15、将第二原型赋予与匹配的第一原型相应的伪标签；
16、设置距离度量参数，将距离度量参数加权在与第二原型标签相同的第一原型上，调整第一原型的位置。
17、较佳地，所述距离度量参数取0～1。
18、较佳地，所述无标签数据集中样本的数量为0～50。
19、与现有技术相比，本专利技术提供的基于半监督原型增强网络的滚动轴承故障诊断方法具有如下优点：
20、1、本专利技术通过将少量标签样本与多数无标签样本结合，扩充滚动轴承的特征信息，有效提高了模型的分类精度；
21、2、本专利技术提出一种伪标签下原型更新策略，利用无标签样本减少原型偏离类别中心偏差，同时引入匈牙利算法去避免标签的多次使用，增强原型的鲁棒性；
22、3、本专利技术将提出的诊断模型应用于滚动轴承的少量标签样本的故障识别中，通过两个滚动轴承数据集的消融实验和对比实验，验证了模型的有效性与优越性。
本文档来自技高网...【技术保护点】
1.一种基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述半监督原型增强网络包括特征提取模块和原型增强模块。
3.如权利要求2所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述特征提取模块包括多个卷积块和双池化注意力残差网络。
4.如权利要求3所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述卷积块采用1×3的卷积核，以获取样本中的细致特征，所述卷积块包括卷积运算、批量归一化、激活运算和池化运算。
5.如权利要求3所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述双池化注意力残差网络依次包括卷积层、批量归一化层、激活函数、注意力层以及两种池化层，两种池化层分别为自适应平均池化层和自适应最大池化层，两者的结果相加后，与输入数据进行残差连接。
6.如权利要求5所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述注意力层中，两个线性层中添加有丢弃层。<...
【技术特征摘要】
1.一种基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述半监督原型增强网络包括特征提取模块和原型增强模块。
3.如权利要求2所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述特征提取模块包括多个卷积块和双池化注意力残差网络。
4.如权利要求3所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述卷积块采用1×3的卷积核，以获取样本中的细致特征，所述卷积块包括卷积运算、批量归一化、激活运算和池化运算。
5.如权利要求3所述的基于半监督原型增强网络的滚动轴承故障诊断方法，其特征在于，所述双池化注意力残差网络依次包括卷积层、批量归一化层、激活函数、注意力层以及两种池化层，两种池化层分别为自适应平均池化层和自适应最大池化...
【专利技术属性】
技术研发人员：蒋全胜，姚雪健，陆星驰，王报祥，沈晔湖，吴石磊，姚琴，朱其新，
申请(专利权)人：苏州科技大学，
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。