【技术实现步骤摘要】
本专利技术属于滚动轴承故障诊断，尤其涉及基于包络谱的零样本滚动轴承复合故障诊断系统及方法。
技术介绍
1、滚动轴承作为机械设备中不可或缺的核心部件，在传动系统中起着重要的作用。然而，在长时间高速运转和恶劣工况下，滚动轴承可能会发生各种故障，导致设备性能下降、寿命缩短，甚至引发严重事故。滚动轴承的复合故障，即多种故障同时或连续发生，更是可能进一步加剧设备的损坏并带来潜在的安全风险，因此，轴承复合故障诊断的重要性日益显现。故障诊断是确保设备可靠运行的关键环节。轴承复合故障的诊断尤为复杂，因为它不仅涉及到轴承本身的结构和工作原理，还受到周围环境和运行条件的影响。在复杂的工作环境下，轴承可能会遭受振动、冲击、高温、润滑不良等多种应力，进而引发不同类型的故障，相互耦合的故障更增加了故障诊断的难度，所以针对轴承复合故障开发一种有效的诊断算法变得尤为重要。
2、在解决复杂系统的复合故障问题上，现有方法需要的大量复合故障样本，但是工厂或系统通常不会容许同时发生多种故障，因此无法直接获取足够多的复合故障数据用于分析与训练。这限制了现有方法的适用范围。
技术实现思路
1、本专利技术目的在于提供一种基于包络谱的零样本滚动轴承复合故障诊断系统及方法，以解决现有方法无法直接获取足够多的复合故障数据用于分析与训练的技术问题。
2、为实现上述目的，本专利技术的基于包络谱的零样本滚动轴承复合故障诊断系统及方法的具体技术方案如下：
3、一种基于包络谱语义构建的零样本滚动轴承复合故
4、所述信号预处理模块，从原始振动信号中截取连续的数据段，然后计算每一段信号的包络谱，将其转换为一维频域信号；
5、所述语义构建模块，计算包络谱提取了信号的频域特征，然后设计了富含类别信息的故障语义，所述故障语义由明确和隐含的故障特征构建而成，语义构建模块是实现故障语义构建的模块，所述语义构建模块进行故障语义构建的方法包括以下两个步骤：
6、步骤一、单一故障语义构建：
7、首先，对经过处理的频域信号进行归一化处理，处理过后的故障信号为可以表示为公式(5)：
8、
9、然后，我们将振幅的最大值分成ε个等份，ε是等分份数，每个等份的上限作为阈值，如公式(6)所示：
10、t＝max(z1，z2，z3，......zn)*(1/ε) (6)
11、如果zi小于t，则将zi设为0；如果zi大于等于t且小于2t，则将维度zi设为t，以此类推，构建得到单一故障的语义，如公式(7)所示：
12、
13、最后将阈值处理过的归一化；
14、步骤二、复合故障语义构建：
15、通过公式(8)将几个单一故障的语义向量相加，就能得到复合故障的语义向量：
16、
17、其中，中的上标表示复合故障语义由几个单一故障语义构成，例如代表由第i个1类故障的语义和第i个2类故障语义叠加构成；
18、所述特征提取模块接收故障的一维频域信号作为输入，首先，通过对频域信号进行分类，用于训练特征提取模块的参数θ，其次，一旦参数θ被训练好，特征提取模块将利用这些参数将输入的信号通过最后一个全连接层映射到特征空间中，最后一个全连接层的输出被选为fcv(s)；则第k类第i个单一故障的可以表示为：
19、
20、其中，c(·)表示特征提取模块的函数；
21、所述语义嵌入模块，以单一故障语义作为输入，通过公式将其映射到语义空间中；接着，将该故障语义对应的频域信号输入到特征提取模块，通过公式将其映射到特征空间中。
22、本专利技术还提供了一种基于包络谱的零样本滚动轴承复合故障诊断方法，包括以下步骤：
23、步骤s1、先对滚动轴承的振动信号进行数据处理得到包络谱，然后通过一个基于卷积神经网络的特征提取器，从一维信号中提取与故障相关的特征：
24、具体为，通过对训练样本和对应的标签进行训练，建立一个cnn模型通过公式(1)优化模型参数θ来准确预测单一故障的类别，最小化预测结果与真实标签之间的差异：
25、
26、步骤s2、随后通过一个基于先验知识的故障语义嵌入模块，将复合故障的语义向量嵌入到语义空间中，作为各个类别的中心：
27、具体为，建立一个cnn模型d(ms；γ)，利用已经训练好的模型c(xs；θ)优化模型c与模型d结果的空间相似度，以建立单一故障在特征空间和语义空间之间的匹配关系：
28、
29、步骤s3、最利用欧式距离来比较复合故障特征与各个类别中心之间的相似度，通过计算相似度，准确地识别未知的复合故障：
30、具体为，通过构造单一故障语义集合ms得到复合故障语义集合mc，和测试集合xc一起输入已经优化好的模型c(xc；θ)和模型d(mc；γ)中，通过最小化复合故障在特征空间中的映射和在语义空间中映射的空间相似度，实现对未知复合故障的分类；
31、l1公式如下：
32、
33、其中，θ是特征提取模块的网络参数，yi表示真实的标签，pi表示模型预测的类别为i的概率值；
34、l2公式如下：
35、
36、其中，γ是语义嵌入模块的网络参数，n是单一故障数据的总数，yi是某单一故障的在特征空间中的映射，是该故障在语义空间中的映射。
37、本专利技术的基于包络谱的零样本滚动轴承复合故障诊断系统及方法具有以下优点：
38、(1)将包络谱与神经网络相结合，利用包络谱对故障信号进行预处理，有效地增强了故障特征。这一方法使得模型能够更好地捕捉轴承故障的特征，从而提高了故障诊断的准确性。
39、(2)通过充分利用信号包络谱的物理意义，精确地构建了单一故障和复合故障的语义表示。这一方法为特征空间和语义空间的迁移提供了坚实的理论基础，增强了迁移过程的可靠性和准确性。
40、本专利技术填补了现有方法在复杂场景下的不足，为复合故障问题提供一种全新的思路和解决方案。通过将先进的机器学习技术与领域知识相结合，突破了样本获取的瓶颈，实现对复合故障的准确、高效诊断，为工业设备的运维和管理带来创新性的突破。
本文档来自技高网...【技术保护点】
1.一种基于包络谱的零样本滚动轴承复合故障诊断系统，其特征在于，包括信号预处理模块、语义构建模块、特征提取模块和语义嵌入模块；
2.一种基于包络谱的零样本滚动轴承复合故障诊断方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种基于包络谱的零样本滚动轴承复合故障诊断系统，其特征在于，包括信号预处理模块、语义构建模块、特征提取模块...
【专利技术属性】
技术研发人员：甄冬，孙赫明，冯国金，张浩，梁小夏，田少宁，
申请(专利权)人：河北工业大学，
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。