【技术实现步骤摘要】
本专利技术属于机械传动部件故障诊断,更为具体地讲,涉及一种基于孪生网络的机械传动部件小样本故障诊断方法。
技术介绍
1、机械传动部件,如轴承、齿轮等,在机械系统中发挥至关重要的功能,但是长时间运行难免会造成关键传动部件出现磨损、点蚀等损伤,随着这些损伤的恶化,容易导致损伤部件本身、相邻部件甚至整机发生故障,诊断部件的早期损伤,对避免故障的持续恶化具有重要意义。
2、目前针对机械传动部件的故障诊断方法主要是基于数据驱动的深度学习方法。深度学习方法可以从输入数据中提取多种复杂特征,相较于基于机器学习方法或是时频分析方法,其特征提取能力更强,对大规模数据的适应性更强,是目前研究最为使用更灵活。然而目前广泛使用的深度学习方法是基于卷积核特征提取的深度神经网络,其无法处理样本之间的拓扑关系,会丢失样本之间对于故障诊断有益的依赖关系,造成诊断性能不足的问题。
3、在实际工程应用中,一方面,在机械部件上发生某些特定类型的故障本身就是小概率事件,因此获取大规模有标注的故障数据样本通常是实施困难而且成本昂贵的。另一方面,由于传感器
...【技术保护点】
1.一种基于孪生网络的机械传动部件小样本故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤S1中信号样本数量dm∈[3,5]。
3.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤S2中提取信号特征Fi的方法为:
4.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤S4中孪生网络训练时损失函数L的计算公式如下:
5.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤S4中在孪生网络训练
...【技术特征摘要】
1.一种基于孪生网络的机械传动部件小样本故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤s1中信号样本数量dm∈[3,5]。
3.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤s2中提取信号特征fi的方法为:
4.根据权利要求1所述的机械传动部件小样本故障诊断方法,其特征在于,所述步骤s4中孪生网络训练时损失函数l的计...
【专利技术属性】
技术研发人员:米金华,王志国,李鵾鹏,王敏,刘震,程玉华,黄承赓,
申请(专利权)人:电子科技大学,
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。