一种基于属性学习的零样本轴承故障诊断方法技术

本发明专利技术公开了一种基于属性学习的零样本轴承故障诊断方法，通过振动传感器采集轴承驱动端的振动数据，定义轴承故障属性，通过属性对未知故障种类进行诊断。通过信号样本特征搭起信号样本到信号属性的桥梁。首先通过特征嵌入子模块提取信号特征，并且通过样本信号与属性的重构考虑了故障特征空间与故障语义属性空间的一致性问题，提取的是没有语义鸿沟的样本特征；然后把提取的特征输入特征‑属性连接子模块对样本属性进行预测；最后计算预测的属性向量与不可见类属性矩阵之间的欧式距离完成标签映射，得到不可见类样本的故障类型。不仅在未知故障种类的诊断上达到较高精度，而且也能较好的诊断已知故障类型。

【技术实现步骤摘要】

本专利技术属于故障检测，特别是涉及一种基于属性学习的零样本轴承故障诊断方法。

技术介绍

1、对机械设备的主要部件进行状态监测可以实现故障的早发现、故障种类的早诊断，降低经济损失的同时减少人员伤亡。轴承作为机械设备的关键部件，其健康状态关乎着整个设备的运行情况。因此，对轴承进行故障诊断具有重要的实际价值。然而，现阶段的大多数研究都是基于有足够多的历史训练样本这一假设进行，对新的故障类型也就是在零样本情况下缺乏故障诊断的能力。考虑到收集足够多的故障种类需要足够长的时间与昂贵的代价，并且在轴承的服役期间，不可能发生的所有故障类型之前都有记录，所以在实际工程应用场景中只能诊断已知故障的轴承故障诊断方法并不适用。但是，现有的零样本故障诊断方法要么在新故障种类的诊断上性能不佳要么对已知故障的诊断能力不强，因此，亟需开发一种基于属性学习的零样本轴承故障方法既能诊断出新的故障类型又能对已知故障拥有较强的诊断性能。

技术实现思路

1、针对以上技术问题，本专利技术提供一种基于属性学习的零样本轴承故障诊断方法。

2、本本文档来自技高网...

【技术保护点】

1.一种基于属性学习的零样本轴承故障诊断方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，S100包括：

3.根据权利要求2所述的方法，其特征在于，S110中构建可见类和不可见类的故障属性矩阵A具体为：

4.根据权利要求3所述的方法，其特征在于，S200包括：

5.根据权利要求4所述的方法，其特征在于，对应的1DCNN特征提取模型包括信号输入特征提取模块和属性输入特征提取模块，S210中对可见类的样本信号与属性向量分别使用对应的1DCNN特征提取模型进行特征提取具体为：

6.根据权利要求5所述的...

【技术特征摘要】

1.一种基于属性学习的零样本轴承故障诊断方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，s100包括：

3.根据权利要求2所述的方法，其特征在于，s110中构建可见类和不可见类的故障属性矩阵a具体为：

4.根据权利要求3所述的方法，其特征在于，s200包括：

5.根据权利要求4所述的方法，其特征在于，对应的1dcnn特征提取模型包括信号输入特征...

【专利技术属性】
技术研发人员：朱青，曾琼，冯运，王耀南，童琛，史余聪，毛建旭，刘学兵，周显恩，吴成中，
申请(专利权)人：湖南大学，
类型：发明
国别省市：