CN112417954B - 一种面向小样本数据集的轴承故障模式诊断方法及*** - Google Patents

Abstract

本发明涉及一种面向小样本数据集的轴承故障模式诊断方法及***，其中，方法包括以下步骤：1)通过加速度传感器收集轴承在不同设备不同工况运行下的振动信号数据；2)对信号进行预处理，通过连续小波变换算法，将原始一维信号转换为二维信号，形成图像数据；3)构建基于卷积神经网络的轴承故障诊断模型框架，包括编码、匹配两模块，同时从图像数据中随机取样，构建多个小样本集的学习任务，从而对该模型进行训练；4)采集目标轴承的振动信号，并根据所述预处理方法和所述轴承故障诊断模型诊断出所述轴承故障模式。与现有技术相比，本发明结合深度学习与元学习算法，在数据量不足的条件下能够提高诊断精度。

Description

一种面向小样本数据集的轴承故障模式诊断方法及***

技术领域

本发明涉及高端装备结构故障诊断技术领域，尤其是涉及一种面向小样本数据集的轴承故障模式诊断方法及***。

背景技术

滚动轴承作为现代化高端装备中的关键零部件，承受冲击的能力较弱，极其容易疲劳、受损。一旦发生故障，会对整个生产过程产生巨大的负面影响，不仅造成严重的经济损失，甚至会危及到相关人员的生命安全。因此，针对滚动轴承进行故障诊断技术研究是极其有必要的，对于高端装备的预测性维护具有重要的意义。

目前已经有很多基于机器学习、甚至深度学习的故障诊断技术，比如支持向量机、随机森林、梯度提升树、循环神经网络、玻尔兹曼机等，但是它们都必须要有足够多的样本支持，并且仅当训练集与测试集样本的分布一致时才能显示出良好的效果。而在实际生产环境中，难以满足上述两个要求。一方面在装备运行初期，出现机械故障的情况较少，样本数量难以支持模型训练；另一方面装备的运行情况复杂多变，收集到的数据经常处于不同的工况下，这也给模型的预测精度带来了很大的挑战。

元学习主要用于解决学会学习的问题，与以往的机器学习、深度学习方法不同，元学习更加关注如何利用已知的知识快速适应新任务的学习，因而能够有效解决上述两个问题。近几年元学习开始兴起，并在解决少量有标签样本甚至无标签样本数据的学习问题中发挥了显著的作用。但目前该方法在高端装备故障诊断领域中的应用十分欠缺。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向小样本数据集的轴承故障模式诊断方法及***，该方法结合深度学习和元学习算法，在少样本的情况下提高诊断精度，另外也可在一定程度上缓解训练集与测试集样本分布的不一致所带来的性能下降问题。

本发明的目的可以通过以下技术方案来实现：

一种面向小样本数据集的轴承故障模式诊断方法，该方法包括以下步骤：

步骤1：通过加速度传感器收集轴承在不同设备不同工况运行下的振动信号数据，并将其存储至服务器中；

步骤2：于服务器中对信号进行预处理，通过连续小波变换算法，将原始一维信号转化为二维信号，并以图像的形式存储于数据库中；

步骤3：构建基于卷积神经网络的轴承故障诊断模型框架，包括编码模块和匹配模块，同时从数据库中的图像数据中随机取样，构建多个小样本数据集的学习任务，以对轴承故障诊断模型进行训练；

步骤4：采集目标轴承的振动信号，并根据所述步骤2中的预处理方法和所述步骤3中的轴承故障诊断模型框架对其诊断并得出轴承故障模式。

进一步地，所述的步骤2包括以下分步骤：

步骤201：由加速度传感器收集到的振动数据为一维的连续时间序列信号，通过连续小波变换算法预处理该信号，得到二维信号；

步骤202：将二维信号进行图像灰度值化以转换为图像的形式存储于数据库中。

进一步地，所述的步骤201中的二维信号，其描述公式为：

式中，CWT_f(a,b)为二维信号，f(t)为一维振动信号，

为小波函数ψ(t)的复共轭，a和b分别表示伸缩和平移因子；

所述步骤202中的将二维信号进行图像灰度值化，其描述公式为：

式中，image(CWT_f(a,b))为二维信号进行图像灰度值化后的图像数据，max(·)为最大值函数，min(·)为最小值函数。

进一步地，所述的步骤3包括以下分步骤：

步骤301：从所有图像中随机选取l类样本作为训练的小样本集，构建学习任务；

步骤302：将每个学***均后，在特征维度上与查询集进行拼接处理，形成匹配对；

步骤303：将每个匹配对通过所述匹配模块，获得匹配分数；

步骤304：使用平均方差量化模型预测的匹配分数与实际匹配分数误差；

步骤305：使用深度学习中的反向传播算法优化模型参数，直至最终训练完毕。

进一步地，所述的步骤301中的学习任务，其描述公式为：

式中，Task_i为学习任务，

为采样集，

为查询集，m为采样集的样本数目，n为查询集的样本数目，k和j均为自然数；

所述步骤302中的匹配对，其描述公式为：

式中，Pair(l,k)为匹配对，Cat(·)为特征维度上的拼接函数，

为编码模块的函数映射，M_i,l为第i个任务中第l类采样样本编码值的平均值；

所述步骤303中的匹配分数，其描述公式为：

r_l,k＝g_φ(Pair(l,k))

式中，r_l,k∈[0,1]，为第k个查询集与第l类的匹配分数，g_φ(·)为匹配模块的函数映射；

所述步骤304中的模型预测的匹配分数与实际匹配分数误差，其描述公式为：

式中，Loss为模型预测的匹配分数与实际匹配分数误差；

所述305中使用深度学习中的反向传播算法优化模型参数，其描述公式为：

进一步地，所述的步骤4包括以下分步骤：

步骤401：将数据库中所有已知类别的样本通过编码模块，并将输出的高维编码表达存储于数据库；

步骤402：目标轴承的振动信号通过预处理、编码模块后，再与数据库中已知类别的高维编码同时作为匹配模块的输入，从而获得和已知类别中每个类别的匹配分数；

步骤403：取所有和已知类别中每个类别的匹配分数中的最大值，其对应的类别即目标轴承的故障模式。

进一步地，所述步骤403中取所有和已知类别中每个类别的匹配分数中的最大值，其描述公式为：

式中，class为最大匹配分数所对应的类别，即目标轴承的故障模式。

进一步地，所述的卷积神经网络采用具有稀疏连接和参数共享特性的深层神经网络。

本发明还提供一种用于所述的一种面向小样本数据集的轴承故障模式诊断方法的***，该***包括：

预处理模块，用于通过连续小波变换将轴承一维振动信号转换为二维信号，并对其进行图像灰度值化；

任务生成模块，用于从预处理后的图像数据中随机取样，从而构建多个小样本集的学习任务，其中每个小样本集包括采样集与查询集；

编码模块，用于对所述采样集与查询集的样本进行函数映射，获得更高维空间中的编码表达；

匹配模块，用于将查询集样本的编码与采样集中各类别的编码进行匹配，从而得到查询集样本的相对应类别；

诊断模块，用于采集目标轴承的振动信号，并根据所述目标轴承的振动信号和所述轴承故障诊断模型诊断出所述轴承故障模式。

进一步地，所述编码模块和所述匹配模块的基础架构均为卷积神经网络，所述卷积神经网络采用具有稀疏连接和参数共享特性的深层神经网络。

与现有技术相比，本发明具有以下优点：

(1)在小样本集中仍然有较高的诊断精度：在样本数量不足的情况下，通过随机采样生成多个学习任务，使得模型能够学习到可迁移的深层知识，从而快速适应新任务，并能取得更精确的故障诊断精度。

(2)可缓解训练集与测试集样本分布的不一致带来的性能下降问题：由于本发明的诊断方法并不是直接将样本特征映射到相应故障模式，而是通过匹配分数间接诊断故障模式，因此一定程度上可避免分布不一致带来的问题。

(3)在本发明中的编码模块与匹配模块都以卷积神经网络为基础架构，具备稀疏连接、参数共享两种特性，极其适合图像数据的深层特征表达挖掘。

(4)在本发明中的预处理模块能够通过连续小波变换方法处理非平稳、非线性的信号，获取到更具鲁棒性的特征表达。

(5)在本发明中的任务生成模块能通过图像数据构造多个小样本集的学习任务，使得模型学习到不同任务间的可迁移知识，帮助模型快速适应新任务。

附图说明

图1为本发明的部分轴承信号预处理图像。

图2为本发明的轴承故障模式诊断框架示意图。

图3为本发明的模型结构示意图。

图4为本发明的方法流程图。

图5为本发明的故障诊断***示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

本发明提供一种面向小样本数据集的轴承故障模式诊断方法，如图4所示，包括以下步骤：

1)本实例收集的轴承振动时序信号，共有四种不同的工况条件，每种工况下包括10种轴承故障模式，除了正常外，还有9种故障类型，其中包括三种不同的故障部位：内圈故障、球故障以及外圈故障，而每种故障部位有三种不同的故障尺寸。

2)各类轴承信号经过连续小波变换、图像灰度化后，形成了轴承故障特征图，部分如图1所示，最终存储于服务器的数据库中。

步骤2)具体包括：

步骤201：由加速度传感器收集到的振动数据为一维的连续时间序列信号，通过连续小波变换算法预处理该信号，得到二维信号；

步骤202：将二维信号进行图像灰度值化以转换为图像的形式存储于数据库中。

步骤201中的二维信号，其描述公式为：

式中，CWT_f(a,b)为二维信号，f(t)为一维振动信号，

为小波函数ψ(t)的复共轭，a和b分别表示伸缩和平移因子；

步骤202中的将二维信号进行图像灰度值化，其描述公式为：

式中，image(CWT_f(a,b))为二维信号进行图像灰度值化后的图像数据，max(·)为最大值函数，min(·)为最小值函数。

3)从40类图像中随机抽取4类样本作为训练的小样本集，每个类别中可抽取5个样本作为采样集，20个样本作为查询集，构成一个学习任务；

反复执行上述步骤2000次，生成2000个学习任务训练模型。

式中，Task_i为学习任务，

为采样集，

为查询集，m为采样集的样本数目，n为查询集的样本数目，k和j均为自然数，采样集和查询集中的每个样本由一对故障特征、故障模式构成；

每个任务的采样样本与查询样本通过编码模块，获得高维编码表达。同一类的采样样本编码值取平均后，在特征维度上与查询样本进行拼接处理，形成匹配对：

式中，Pair(l,k)为匹配对，Cat(·)为特征维度上的拼接函数，

为编码模块的函数映射，M_i,l为第i个任务中第l类采样样本编码值的平均值，

为编码模块的参数；

每个匹配对通过匹配模块，获得匹配分数：

r_l,k＝g_φ(Pair(l,k))

式中，r_l,k∈[0,1]，为第k个查询集与第l类的匹配分数，g_φ(·)为匹配模块的函数映射，φ为匹配模块的参数；

使用平均方差量化模型预测的匹配分数与实际匹配分数误差：

式中，Loss为模型预测的匹配分数与实际匹配分数误差；

使用深度学习中的反向传播算法优化模型参数：

4)将数据库中所有已知类别的样本通过编码模块，并将高维编码表达存储于数据库。目标轴承的振动信号通过预处理、编码模块后，再与数据库中的已知类别的编码同时作为匹配模块的输入，从而获得和每个类别的匹配分数，如图2和图3所示。

最大匹配分数所对应的类别便是目标轴承的故障模式：

式中，class为最大匹配分数所对应的类别，即目标轴承的故障模式。

其次参照附图描述根据本发明实施例提出的一种面向小样本数据集的轴承故障模式诊断***。

图5是本发明一种面向小样本数据集的轴承故障模式诊断***的结构示意图。

如图5所示，该面向小样本数据集的轴承故障模式诊断***10包括：预处理模块100、任务生成模块200、编码模块300、匹配模块400、诊断模块500。

其中，预处理模块100通过连续小波变换将轴承一维振动信号转换为二维信号，并对其进行图像灰度值化。任务生成模块200从预处理后的图像数据中随机取样，从而构建多个小样本集的学习任务，其中每个小样本集包括采样集与查询集。编码模块300对采样集与查询集的样本进行函数映射，获得更高维空间中的编码表达。匹配模块400将查询集样本的编码与采样集中各类别的编码进行匹配，从而得到查询集样本的相对应类别。诊断模500用于采集目标轴承的振动信号，并根据所述轴承的振动信号和所述轴承故障诊断模型诊断出所述轴承故障模式。本发明实施例的***10结合深度学习和元学习算法，在小样本数据集中提高诊断精度。

进一步地，在本发明的一个实施例中，预处理模块100能够通过连续小波变换方法处理非平稳、非线性的信号，获取到更具鲁棒性的特征表达。

进一步地，在本发明的一个实施例中，任务生成模块200能通过图像数据构造多个小样本集的学习任务，使得模型学习到不同任务间的可迁移知识，帮助模型快速适应新任务。

进一步地，在本发明的一个实施例中，编码模块300与匹配模块400都以卷积神经网络为基础架构，具备稀疏连接、参数共享两种特性，极其适合图像数据的深层特征表达挖掘。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种面向小样本数据集的轴承故障模式诊断方法，其特征在于，该方法包括以下步骤：

步骤1：通过加速度传感器收集轴承在不同设备不同工况运行下的振动信号数据，并将其存储至服务器中；

步骤2：于服务器中对信号进行预处理，通过连续小波变换算法，将原始一维信号转化为二维信号，并以图像的形式存储于数据库中；

步骤3：构建基于卷积神经网络的轴承故障诊断模型框架，包括均以卷积神经网络为基础架构的编码模块和匹配模块，同时从数据库中的图像数据中随机取样，构建多个小样本数据集的学习任务，以对轴承故障诊断模型进行训练；

步骤4：采集目标轴承的振动信号，并根据所述步骤2中的预处理方法和所述步骤3中的轴承故障诊断模型框架对其诊断并得出轴承故障模式；

所述的步骤3包括以下分步骤：

步骤301：从所有图像中随机选取l类样本作为训练的小样本集，构建学习任务；

步骤302：将每个学***均后，在特征维度上与查询集进行拼接处理，形成匹配对；

步骤303：将每个匹配对通过所述匹配模块，获得匹配分数；

步骤304：使用平均方差量化模型预测的匹配分数与实际匹配分数误差；

步骤305：使用深度学习中的反向传播算法优化模型参数，直至最终训练完毕；

所述的步骤301中的学习任务，其描述公式为：

式中，Task_i为学习任务，

为采样集，

为查询集，m为采样集的样本数目，n为查询集的样本数目，k和j均为自然数；

所述步骤302中的匹配对，其描述公式为：

式中，Pair(l,k)为匹配对，Cat(·)为特征维度上的拼接函数，

为编码模块的函数映射，M_i,l为第i个任务中第l类采样样本编码值的平均值；

所述步骤303中的匹配分数，其描述公式为：

r_l,k＝g_φ(Pair(l,k))

式中，r_l,k∈[0,1]，为第k个查询集与第l类的匹配分数，g_φ(·)为匹配模块的函数映射；

所述步骤304中的模型预测的匹配分数与实际匹配分数误差，其描述公式为：

式中，Loss为模型预测的匹配分数与实际匹配分数误差；

所述305中使用深度学习中的反向传播算法优化模型参数，其描述公式为：

所述的步骤4包括以下分步骤：

步骤401：将数据库中所有已知类别的样本通过编码模块，并将输出的高维编码表达存储于数据库；

步骤402：目标轴承的振动信号通过预处理、编码模块后，再与数据库中已知类别的高维编码同时作为匹配模块的输入，从而获得和已知类别中每个类别的匹配分数；

步骤403：取所有和已知类别中每个类别的匹配分数中的最大值，其对应的类别即目标轴承的故障模式。

2.根据权利要求1所述的一种面向小样本数据集的轴承故障模式诊断方法，其特征在于，所述的步骤2包括以下分步骤：

步骤201：由加速度传感器收集到的振动数据为一维的连续时间序列信号，通过连续小波变换算法预处理该信号，得到二维信号；

步骤202：将二维信号进行图像灰度值化以转换为图像的形式存储于数据库中。

3.根据权利要求2所述的一种面向小样本数据集的轴承故障模式诊断方法，其特征在于，所述的步骤201中的二维信号，其描述公式为：

式中，CWT_f(a,b)为二维信号，f(t)为一维振动信号，

为小波函数ψ(t)的复共轭，a和b分别表示伸缩和平移因子；

所述步骤202中的将二维信号进行图像灰度值化，其描述公式为：

式中，image(CWT_f(a,b))为二维信号进行图像灰度值化后的图像数据，max(·)为最大值函数，min(·)为最小值函数。

4.根据权利要求1所述的一种面向小样本数据集的轴承故障模式诊断方法，其特征在于，所述步骤403中取所有和已知类别中每个类别的匹配分数中的最大值，其描述公式为：

式中，class为最大匹配分数所对应的类别，即目标轴承的故障模式。

5.根据权利要求1所述的一种面向小样本数据集的轴承故障模式诊断方法，其特征在于，所述的卷积神经网络采用具有稀疏连接和参数共享特性的深层神经网络。

6.一种用于如权利要求1至5中任一项所述的一种面向小样本数据集的轴承故障模式诊断方法的***，其特征在于，该***包括：

预处理模块，用于通过连续小波变换将轴承一维振动信号转换为二维信号，并对其进行图像灰度值化；

任务生成模块，用于从预处理后的图像数据中随机取样，从而构建多个小样本集的学习任务，其中每个小样本集包括采样集与查询集；

编码模块，用于对所述采样集与查询集的样本进行函数映射，获得更高维空间中的编码表达；

匹配模块，用于将查询集样本的编码与采样集中各类别的编码进行匹配，从而得到查询集样本的相对应类别；

诊断模块，用于采集目标轴承的振动信号，并根据所述目标轴承的振动信号和所述轴承故障诊断模型诊断出所述轴承故障模式。

7.根据权利要求6所述的一种用于所述的一种面向小样本数据集的轴承故障模式诊断方法的***，其特征在于，所述编码模块和所述匹配模块的基础架构均为卷积神经网络，所述卷积神经网络采用具有稀疏连接和参数共享特性的深层神经网络。

Images