CN113723489A - 一种改进关系网络的滚动轴承故障识别方法 - Google Patents

Abstract

一种改进关系网络的滚动轴承故障识别方法，涉及轴承故障识别技术领域，用以解决在少量标记样本情况下，现有滚动轴承故障识别模型对于故障识别效果不佳的问题。本发明的技术要点包括：根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现滚动轴承故障识别。本发明仅使用少量标记样本就可以训练出故障识别模型，解决了在某种型号轴承数据上训练的模型泛化能力差，不能有效用于其他型号轴承故障识别的问题。

Description

一种改进关系网络的滚动轴承故障识别方法

技术领域

本发明涉及轴承故障分类技术领域，具体涉及一种改进关系网络的滚动轴承故障识别方法。

背景技术

滚动轴承是旋转机械的重要部件，一旦发生故障会直接影响机械装备的性能，甚至会造成危及生命的事故。因此，准确地诊断轴承的健康状态具有重要意义^[1]。滚动轴承通常工作在不同的负载下，而且不同机械装备中的轴承型号可能不同，这会提升轴承故障诊断的难度^[2]。在实际工程中，健康标记信息充足的可用轴承数据稀缺，这都使轴承故障诊断变得越来越具有挑战性^[3]。

故障诊断在机械装备健康管理中发挥着重要的作用。传统的故障诊断方法主要依赖于工程师们丰富的经验和专业知识，然而在工程中，人们期望故障诊断过程足够智能，能够自动检测和识别机器的健康状态^[4]。将机器学习理论应用到机械领域可以实现智能故障诊断。传统的机器学习理论主要有人工神经网络、支持向量机等^[5]。首先从采集的振动数据中提取一些常用的特征，如时域特征、频域特征和时频域特征，之后使用传统的机器学习理论进行健康状态识别。

虽然传统的机器学习理论能够智能识别机器的健康状态，但特征提取阶段仍主要依赖于人工，此外传统的机器学习理论泛化性能较低，降低了诊断准确率。深度学习是机器学习领域的一个新课题，受到了广泛的关注。深度学习可以从采集的数据中自动学习故障特征，并且能够提供端到端的诊断模型^[6]。文献[7]利用EMD对信号进行处理，得到多通道一维信号，并构建多通道一维卷积神经网络模型，对多通道一维信号进行特征提取。在全连接层后接堆叠降噪自编码器层，进一步进行维度缩减和特征提取并实现特征分类。文献[8]提出一种基于集合经验模态分解-希尔伯特包络谱和深度信念网络的滚动轴承状态识别方法。实验结果表明，该方法能够很好地实现变负载下滚动轴承的多状态识别。文献[9]提出了基于“端到端”的自适应一维卷积神经网络故障诊断算法，对原始振动信号自适应层级化提取特征，利用Softmax分类器输出诊断结果。文献[10]提出了两种多小波系数融合方法用于基于ResNet的诊断模型，这种方法有助于从输入数据中学习更容易识别的特征。文献[11]提出了一种结合时频分析和ResNet的数据驱动的行星齿轮箱故障诊断模型。虽然目前深度学习在机器故障诊断方面取得了显著的成功，但滚动轴承实际的运行环境复杂多变，不同负载下获得的数据间存在分布差异，诊断模型会出现泛化能力差的问题。迁移学习是利用源域的现有知识，解决目标域问题的一种新兴方法，能够减少领域间的数据差异。近年来迁移学习在旋转机械故障诊断中得到越来越多的应用^[12]。文献[13]提出迁移主成分分析方法，通过将跨域数据映射到一个共享的潜在空间来减小训练数据和测试数据之间的分布差异，利用共同潜在主成分组成的特征训练模型。实验结果表明，该方法能够有效地诊断各种工况下的异步电机故障。虽然现有的滚动轴承智能诊断技术日趋成熟，但这些方法大多应用于同种型号轴承，较少研究关注不同型号轴承之间的故障诊断。滚动轴承的型号很多，适用于某一型号轴承的故障诊断模型不一定适用于另一型号轴承。文献[14]提出一种不同型号滚动轴承深层特征迁移的故障诊断方法。该方法构建领域共享的改进AlexNet深度卷积网络，并引入条件对抗机制，将特征与标签联合分布的优化方法改进为随机线性组合，提取深层特征，实现源域和目标域特征及标签的同时自适应，达到迁移的目的。

工程实际中机械装备的可用数据稀缺，难以训练并获得对装备健康状态识别精度高的智能诊断模型^[3]。在这种情况下，小样本学习应运而生。小样本学习的具体任务为，对于训练过程中没有出现过的类别，即使仅给出极少量的标注样本，模型也能够正确识别。该方法在工业领域具有巨大的应用价值。目前主流的小样本学习任务的解决方案包括迁移学习、度量学习和元学习^[15]。迁移学习运用在某个领域学习到的知识对不同但相关领域问题进行求解，该技术能够解决可用训练样本稀缺的问题。文献[16]从多个辅助任务中提取共享的可学习滤波核，并自适应地迁移到目标任务中，然后通过多分类器集成，实现了在可用故障数据较少的情况下进行机器故障识别。在度量学习方法中，比较有代表性的研究成果包括匹配网络，原型网络及关系网络模型。文献[17]通过原型网络将振动信号映射到故障特征度量空间，然后构建混合自注意力模块，学习风电齿轮箱各健康状态下的度量原型，最后通过度量分类器进行模式识别，实现小样本条件下风电齿轮箱的故障诊断。基于元学习的方法是近年来小样本学习领域中十分流行的方法。这种方法通常是设计一些迭代优化的策略，使得模型从大量的任务中学习到一些与模型优化相关的通用知识，当遇到新类别时，模型能够利用这些通用知识，针对新类别对其参数进行快速的优化迭代，从而适应新类别^[18]。

实际工程中，不同机械装备使用的滚动轴承型号可能不同，而且工作的负载经常发生变化，这会导致轴承振动信号之间存在较大分布差异，仅用同种型号轴承数据训练故障分类模型，诊断效果往往不够理想。

发明内容

鉴于以上问题，本发明提出一种改进关系网络的滚动轴承故障识别方法，用以解决在少量标记样本情况下，现有的滚动轴承故障分类模型对于故障分类识别效果不佳的问题。

一种改进关系网络的滚动轴承故障识别方法，包括下述步骤：

步骤一、获取滚动轴承原始振动信号训练数据和测试数据；

步骤二、对所述训练数据和所述测试数据进行预处理，分别获得源域数据集和目标域数据集；

步骤三、将源域数据集输入基于改进关系网络的元学习训练模型，获得训练好的滚动轴承故障分类模型；其中，改进关系网络包括改进嵌入模块和关系模块，改进嵌入模块和关系模块通过端到端方式进行小样本元学习；

步骤四、将目标域数据集输入训练好的滚动轴承故障分类模型，获得滚动轴承故障识别结果。

进一步地，步骤一中所述滚动轴承原始振动信号在4种负载条件下采集，负载类型包括0hp、1hp、2hp和3hp；所述训练数据和测试数据包括正常状态、内圈、外圈、滚动体故障及不同损伤程度共10种状态的滚动轴承原始振动信号。

进一步地，步骤二中所述预处理包括对所述训练数据和所述测试数据进行傅里叶变换，获得频域幅值序列。

进一步地，步骤三中所述改进嵌入模块是对原始嵌入模块进行改进，原始嵌入模块由四个卷积块构成，改进嵌入模块将第二、三个卷积块替换成残差收缩模块，将第四个卷积块替换成带有SELU激活函数的残差模块。

进一步地，步骤三的具体步骤包括：

步骤三一、从源域数据集中随机选取C个类别，每个类别中选取K个样本作为源域支持集，从每个类别剩余的样本中选取N个样本作为源域查询集，则源域支持集样本和源域查询集样本共同构成一个C-way K-shot任务；

步骤三二、将源域支持集样本和源域查询集样本输入到改进嵌入模块中，将输出的源域支持集特征和源域查询集特征进行拼接，组成特征对；

步骤三三、将所述特征对输入到关系模块中计算关系分数，通过关系分数判断源域查询集样本属于哪一类别；其中，所述关系分数用于表示源域支持集中的样本和源域查询集中的样本之间的相似度；

步骤三四、迭代循环执行步骤三一至步骤三三，利用均方误差损失优化网络参数，当达到最大迭代次数后停止执行，获得滚动轴承故障分类模型。

进一步地，步骤三中改进嵌入模块中所述残差收缩模块将软阈值作为非线性变换层加入到残差模块中，并引入注意力机制；具体为：

首先，将特征的绝对值输入全局平均池化层，得到一维向量；

然后，将一维向量输入到两个全连接层中，第二个全连接层中神经元的数量等于输入特征的通道数量；

然后，由Sigmoid激活层获得每个特征通道的归一化权重；

最后，利用Scale操作将归一化后的权重加权到特征的每个通道上，获得特征每个通道的阈值。

进一步地，特征x每个通道的阈值计算公式为：

其中，τ_c表示特征第c个通道的阈值；α_c表示第c个注意力权重；i、j、c分别为特征x的宽度、高度、通道的索引。

进一步地，步骤四的具体步骤包括：

步骤四一、从目标域数据集中随机选取C个类别，每个类别中选取K个样本作为目标域支持集，从每个类别剩余的样本中选取N个样本作为目标域查询集，则目标域支持集样本和目标域查询集样本共同构成一个C-way K-shot任务；

步骤四二、将目标域支持集样本和目标域查询集样本输入到训练好的滚动轴承故障分类模型中，利用滚动轴承故障分类模型中的改进嵌入模块提取目标域支持集和目标域查询集样本特征，并将输出的目标域支持集特征和目标域查询集特征进行拼接后输入到滚动轴承故障分类模型中的关系模块计算关系分数，根据关系分数对目标域查询集样本进行分类，获得滚动轴承故障分类结果。

本发明的有益技术效果是：

本发明将元学习训练策略与关系网络模型相结合，仅使用少量标记样本就可以训练出故障分类模型，解决了实际中滚动轴承故障数据不足的问题；其中，对于关系网络进行改进：关系网络的嵌入模块中引入残差收缩模块和SELU激活函数，使网络更适合处理轴承振动信号，能提取数据中更有用的特征；改进的关系网络能够很好地对处于不同负载情况的不同型号滚动轴承故障进行分类，解决了不同机械装备中轴承型号多样，导致在某种型号轴承数据上训练的模型泛化能力差，不能很好地应用于其他型号轴承的问题。

附图说明

本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。

图1是本发明中小样本分类任务示意图；

图2是本发明中关系网络模型示意图；

图3是本发明中软阈值函数图；

图4是本发明中软阈值函数导数图；

图5是本发明中残差模块结构示意图；

图6是本发明中残差收缩模块结构示意图；

图7是本发明中SELU激活函数图；

图8是本发明中改进前后的关系网络嵌入模块结构图；其中，图(a)表示改进前的关系网络嵌入模块；图(b)表示改进后的关系网络嵌入模块；

图9是本发明方法的流程图；

图10是本发明实施例中试验台示意图；

图11是本发明实施例中三组实验分类准确率对比图；

图12是本发明实施例中特征可视化效果图；其中，图(a)表示方案一中5-way 5-shot任务；图(b)表示方案三中5-way 5-shot任务；图(c)表示方案一中5-way 10-shot任务；图(d)表示方案三中5-way 10-shot任务；

图13是本发明实施例中关系网络改进前后分类准确率对比图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。

本发明提出一种改进关系网络的滚动轴承故障识别方法，用于在仅有少量样本的情况下，对不同负载下不同型号的滚动轴承进行故障分类。该方法首先根据元学习训练策略划分数据集，并将残差收缩模块和SELU激活函数引入关系网络的嵌入模块中，残差收缩模块利用注意力机制自动确定阈值，将信号中的冗余信息剔除；利用嵌入模块提取样本特征，并将支持集样本特征和查询集特征进行拼接，输入到关系模块中；最后根据关系分数对查询集样本进行分类，实现对滚动轴承故障分类。下面对本发明的各个步骤进行详细的说明。

1.元学习训练策略

元学习(meta-learning)也叫做学会学习(learning to learn)^[19]，是机器学习领域一个前沿的研究框架，针对解决模型如何学习的问题。元学习的目的是让模型获得一种学习能力，这种学习能力可以让模型自动学习到一些元知识。元知识指在模型训练过程之外可以学习到的知识，比如模型的超参数、神经网络的初始参数、神经网络的结构和优化器等^[20]。

元学习目前主要针对小样本学习问题。在小样本学习中，元学习具体指从大量的先验任务中学习到元知识，利用以往的先验知识来指导模型在新任务中更快地学习^[21]。元学习中的数据集通常分为元训练集和元测试集，元训练集和元测试集中数据的类别不同。元训练和元测试阶段都以小样本任务为基本单元，每个任务拥有各自的训练数据集和测试数据集，也称为支持集和查询集。元学习在训练阶段使用大量小样本任务进行训练，将整个任务集看作训练样例。每次任务式的训练都会采样得到不同的元任务，进而训练不同的类别组合，这种机制使得模型能够从不同的元任务中学到它们的共性部分。通过这种学习机制学到的模型泛化能力很强，在元测试阶段面对未见过的元任务时，不需要调整已有的模型，也能较好地进行分类。小样本分类任务如图1所示^[22]。

元学习研究目前大致分为四个较为独立的方向：基于度量的方法、基于初始化的方法、基于优化器以及基于外部存储的方法^[23]。基于度量的方向倾向于最大程度上抽取任务样本内含的特征，使用特征比对的方式判定样本的种类归属，因此如何提取最能代表样本特点的特征便成为了该方向研究重点。本发明采用基于度量的元学习方法，其中度量学习采用的是关系网络。

2.关系网络及改进

关系网络(Relation Network，RN)是2018年由Flood Sung等人提出的一个用于小样本学习的架构^[24]，具有概念简单，灵活性和通用性较强的优点。关系网络由嵌入模块和关系模块两部分组成。首先，嵌入模块提取输入样本的特征，然后关系模块对这些特征进行比较，以确定它们是否属于同一类别。嵌入模块和关系模块通过端到端方式进行小样本元学习。关系网络结构如图2所示。图中，嵌入模块用

表示，关系模块用g_k表示。

使用上文所述元学习训练策略进行小样本学习。在每次训练迭代中，从数据集中随机抽取C个类别，每个类别抽取K个样本，作为模型的支持集

C个类中剩余的一部分样本作为模型的查询集

将支持集中的样本x_i和查询集中的样本x_j输入到嵌入模块，得到特征

和

得到的特征通过拼接模块C(·,·)沿通道级联起来，得到

将支持样本和查询样本的组合特征输入到关系模块g_k中，输出一个(0,1)区间的标量，称为关系分数r_i,j，用于表示x_i和x_j之间的相似度。在单样本情况时，关系分数r_i,j具体为：

对于小样本情况，将每个类的支持集样本的特征按元素相加，形成这个类的特征，之后与上述查询集样本特征相结合。因此，在单样本或小样本设置中，每个查询样本得到的关系分数的数量总是C。

关系网络中使用均方误差损失函数训练模型。假设当支持样本和查询样本属于同一类别时，它们的关系分数为1，当支持和查询样本不属于同一类别时，关系分数为0，此时分类问题可视为回归问题。目标函数为：

残差收缩模块是在残差模块的基础上引入了软阈值和注意力机制^[25]，通过注意力机制自动确定阈值，可以提取出振动信号判别性更高的特征。

1)软阈值

软阈值方法可以保留振动信号中有用的信息特征，用于网络模型的特征激活。软阈值的函数表达式为：

其中，x是输入特征，y是输出特征，τ是阈值。软阈值将接近零的特征置零，保留了有用的负特征，不像ReLU激活函数中将负特征直接置零。

软阈值过程如图3所示。可以看出，输出对输入的导数为1或0，可以有效防止梯度消失和梯度***问题，如图4所示。软阈值导数可以表示为：

设置一个合适的阈值往往需要很多信号处理方面的专业知识，而残差收缩模块中的深度架构可以用来自动确定阈值。

2)残差收缩模块

残差收缩模块将软阈值作为非线性变换层加入到残差模块中，并且引入了注意力机制，用于估计阈值。首先将特征x的绝对值输入全局平均池化层，得到一维向量。然后将一维向量输入到两个全连接层中，第二个全连接层中神经元的数量等于输入特征的通道数量。之后由Sigmoid激活层获得每个特征通道的归一化权重，最后的Scale操作将归一化后的权重加权到特征的每个通道上，实现重要通道的提升。可表示为：

其中，z_c是第c个神经元的特征，α_c是第c个注意力权重。然后，计算阈值如下：

其中，τ_c为特征第c个通道的阈值，i、j、c分别为特征x的宽度、高度、通道的索引。阈值应是一个保持在合理范围内的正数，防止输出特征为全零。残差模块和残差收缩模块结构分别如图5和图6所示。

2017年，文献[26]提出一种名为缩放指数型线性单元(Scaled exponentiallinear unit，SELU)的激活函数。SELU不仅具有ReLU的优点，可以克服梯度消失和梯度***问题，此外，不同于ReLU的稀疏性，SELU保留了输入小于0部分的计算，可以提供更丰富的特征。函数表达式如下：

其中λ≈1.05，α≈1.67。

SELU通过设置一个略大于1的λ对输入大于0的部分保持非饱和性，并且保留了对输入小于0部分的计算，通过设置常数α保证神经元输出分布可以自动归一化到零均值和单位方差，从而提取到更多的高维特征。SELU具有非线性映射激活和自归一化的双重特点，因此，SELU在理论上具备一定优势性。图7示出了SELU激活函数图。

关系网络的嵌入模块由四个卷积块构成，改进后的关系网络将嵌入模块的第二、三个卷积块替换成残差收缩模块，同时利用带有SELU激活函数的残差模块替换第四个卷积块。改进后的嵌入模块中只增加了少量的隐藏层，不会增加网络的复杂性，同时，由于引入了注意力机制和SELU激活函数，关系网络能够关注振动信号中更有用的特征。残差收缩模块本身用于处理振动信号，因此将其引入到关系网络中，适用于滚动轴承故障分类。改进前后关系网络具体结构如图8(a)和(b)所示。

3.滚动轴承故障识别方法

利用改进关系网络，对不同型号滚动轴承内圈、外圈、滚动体故障和正常状态分类，诊断过程包括数据预处理阶段，元训练阶段和元测试阶段，具体流程如图9所示。

(1)数据预处理

对不同型号滚动轴承原始振动信号进行傅里叶变换，得到频域幅值序列，分别构成源域数据集和目标域数据集，用于元训练和元测试阶段。从源域中随机选取C个类别，每个类中选取K个样本作为支持集，从每类剩余样本中选取N个样本作为查询集。支持集和查询集样本共同构成一个C-way K-shot任务，每次迭代训练取不同的任务。目标域以同样方式构建任务进行测试。

(2)元训练阶段

将源域的支持集样本和查询集样本输入到改进关系网络的嵌入模块中，改进的嵌入模块通过注意力机制自动确定阈值，同时引入了SELU激活函数，关注更多细节，提取样本的更有用特征。将得到的支持集特征和查询集特征进行拼接，组成特征对。将特征对输入到关系模块中计算关系分数。通过关系分数判断查询集样本属于哪一类别。利用均方误差损失优化网络的参数，得到滚动轴承故障分类模型。

(3)元测试阶段

将目标域的支持集和查询集样本输入到训练好的分类模型中，利用模型的嵌入模块提取支持集和查询集样本特征，特征拼接后输入到关系模块，根据关系分数对目标域查询集样本进行分类，此时不需要更新网络，直接得到不同型号轴承故障分类结果。

4.应用与分析

本发明实施例实验数据来自美国凯斯西储大学的公开轴承数据集^[27]。轴承试验台示意图如图10所示。驱动端轴承型号为SKF6205，风扇端轴承型号为SKF6203。轴承振动信号数据由16通道的加速度传感器采集，采样频率为12kHz，在0、1、2、3hp(hp为英制的马力，1hp＝0.75kw)共四种不同负载下对轴承振动信号进行采集。

本发明实施例使用了SKF6205和SKF6203两种型号滚动轴承数据，每种型号轴承数据都包含正常状态，内圈、外圈、滚动体故障及不同损伤程度共10种状态。IR(7,14,21)分别表示内圈损伤直径为7mils,14mils和21mils，同理，OR(7,14,21)和B(7,14,21)分别表示外圈和滚动体的不同故障程度。将数据集中的振动信号截断成长度为2048点的样本，对每个样本进行快速傅里叶变换，样本长度减少到原来的一半。两种型号的滚动轴承分别有10种状态，每种状态有16个样本，用于解决小样本轴承分类问题。实验数据集如表1所示。每次实验根据元学习训练策略划分数据，每个任务中选择5个类别(C＝5)，支持集样本个数包括1、3、5、10个样本(K＝1、3、5、10)。采用Adam优化算法对网络进行端到端训练，学习率设为0.001，最大episode迭代次数设为50，每次实验重复5次。

表1实验数据集

将关系网络模型和元学习训练策略相结合，在不同负载情况下，对不同型号滚动轴承进行故障诊断。实施例所用两种型号轴承数据分别具有10种状态，工作时负载情况也分别有四种，负载的变化可能会增加对滚动轴承故障分类的难度。设置了三组实验，在不同负载情况下对不同型号轴承故障进行分类，例如：6205_1hp/6203_023hp表示利用工作负载为1hp时采集的型号SKF6205轴承数据训练分类模型，对在0、2、3hp负载下采集到的型号SKF6203轴承数据进行故障分类。实验结果如表2所示。

表2不同负载下不同型号滚动轴承故障分类结果

图11表示5-way 1-shot任务下三组实验分类准确率。从图11第一、三组实验结果可以看出，目标域负载情况变多会增加故障分类难度，第二组实验结果表明，源域中负载情况增加并没有提高模型的分类效果。从表2可以看出，在另外三种样本设置下，负载变化也会对分类结果产生相同的影响。当目标域数据只有单一负载时，分类效果比较好。实验结果表明多种负载下的数据混合在一起，会对不同型号轴承故障分类造成一定干扰，但关系网络能较好地解决这一问题。

进一步对关系网络改进前后分类效果进行对比实验，方案一使用原关系网络，方案二仅将残差收缩模块引入关系网络的嵌入模块中，方案三是本发明改进的关系网络，即将残差收缩模块和SELU激活函数同时引入嵌入模块中。在不同负载下设置多组实验，实验结果如表3所示。

表3关系网络改进前后不同型号滚动轴承故障分类结果

从实验结果可以看出，在不同负载下，利用仅引入残差收缩模块的关系网络对轴承故障分类，分类效果有所提升。在此基础上进一步引入SELU激活函数，分类准确率较原关系网络最高提升3.44％，在单样本情况下，分类准确率也能在86％以上，证明了改进的关系网络能够较为准确地对不同型号滚动轴承进行故障分类。

为了更直观地体现改进关系网络的分类效果，在6205_0123hp/6203_0123hp实验中，利用t-SNE算法^[28]对5-way 5-shot和5-way 10-shot任务中的查询集样本特征进行可视化，同时根据滚动轴承故障分类结果绘制柱状图，分别如图12和图13所示。

由图12可见，改进前的关系网络(方案一)提取到的滚动轴承多状态特征之间存在重叠，不易区分，这会对分类效果产生负面影响。改进后的关系网络(方案三)引入了注意力机制和非线性的SELU激活函数，能够关注数据中更有用的部分，提取到的特征类内间距较小，类间间距较大，更易区分轴承的不同状态，在大多数任务上的分类效果都比较理想。此外，从图13可以看出，当任务中支持集样本从1-shot增加到10-shot时，模型的故障诊断准确率得到了提高。

为了进一步证明本发明方法的有效性，补充轴承型号为6307E的实验室采集数据集作为实验数据，针对不同型号轴承进行故障诊断。型号为6307E的轴承数据集，转速为680r/s，采样频率为8192Hz，包含内圈故障、外圈故障及正常状态共3种状态数据，每种状态有16个样本。不同型号滚动轴承故障分类结果如表4所示。

表4不同型号滚动轴承故障分类结果

从表4可以看出，对不同型号滚动轴承故障进行分类，准确率都能够达到90％以上，证明本发明方法能够较好地实现小样本下轴承的故障诊断。

本发明所援引的文献如下：

[1]Yang B,Lei Y,Jia F,et al.An intelligent fault diagnosis approachbased on transfer learning from laboratory bearings to locomotive bearings[J].Mechanical Systems and Signal Processing,2019,122:692-706.

[2]Chen C,Shen F,Xu J,et al.Model Parameter Transfer for Gear FaultDiagnosis under Varying Working Conditions[J].Chinese Journal of MechanicalEngineering,2021.

[3]雷亚国,杨彬,杜兆钧,等.大数据下机械装备故障的深度迁移诊断方法[J].机械工程学报,2019,55(07):1-8.

[4]Hoang D T,Kang H J.A survey on Deep Learning based bearing faultdiagnosis[J].Neurocomputing,2019,335:327-335.

[5]Liu R,Yang B,Zio E,et al.Artificial intelligence for faultdiagnosis of rotating machinery:A review[J].Mechanical Systems&SignalProcessing,2018,108:33-47.

[6]Lei Y,Yang B,Jiang X,et al.Applications of machine learning tomachine fault diagnosis:A review and roadmap[J].Mechanical Systems and SignalProcessing,2020,138:106587-.

[7]叶壮,余建波.基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法[J].振动与冲击,2020,39(20):55-66.

[8]王玉静,那晓栋,康守强,等.基于EEMD-Hilbert包络谱和DBN的变负载下滚动轴承状态识别方法[J].中国电机工程学报,2017,37(23):6943-6950+7085.

[9]曲建岭,余路,袁涛,等.基于一维卷积神经网络的滚动轴承自适应故障诊断算法[J].仪器仪表学报,2018,39(07):134-143.

[10]Zhao M,Kang M,Tang B,et al.Multiple Wavelet Coefficients Fusionin Deep Residual Networks for Fault Diagnosis[J].IEEE Transactions onIndustrial Electronics,2019,66(6):4696-4706.

[11]Ma S,F Chu,Han Q.Deep residual learning with demodulated time-frequency features for fault diagnosis of planetary gearbox undernonstationary running conditions[J].Mechanical Systems and Signal Processing,2019,127:190-201.

[12]Yan R,Shen F,Sun C,et al.Knowledge Transfer for Rotary MachineFault Diagnosis[J].IEEE Sensors Journal,2020,20(15):8374-8393.

[13]Yan R,F Shen,Zhou M.Induction Motor Fault Diagnosis Based onTransfer Principal Component Analysis[J].Chinese Journal of Electronics,2021,30(1).

[14]王玉静,吕海岩,康守强,等.不同型号滚动轴承故障诊断方法[J].中国电机工程学报,2021,41(01):267-276+416.

[15]金璐,刘士建,王霄,等.基于改进关系网络的小样本红外空中目标分类方法[J].光学学报,2020,40(08):87-96.

[16]Xing S,Lei Y,Yang B,et al.Adaptive Knowledge Transfer byContinual Weighted Updating of Filter Kernels for Few-shot Fault Diagnosis ofMachines[J].IEEE Transactions on Industrial Electronics,2021,(99):1-1.

[17]余浩帅,汤宝平,张楷,等.小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法[J/OL].中国机械工程:1-8[2021-06-02].http://kns.cnki.net/kcms/detail/42.1294.th.20210330.1320.006.html.

[18]吴紫阳.基于度量学习的小样本学习算法研究[D].华南理工大学,2020.

[19]Thrun S,Pratt L.Learning to learn:Introduction and overview[M].Springer US,1998.3-17.

[20]Vilalta R,Drissi Y.A Perspective View and Survey of Meta-Learning[J].Artificial Intelligence Review,2002,18(2):77-95.

[21]赵凯琳,靳小龙,王元卓.小样本学习研究综述[J].软件学报,2021,32(02):349-369.

[22]Ravi S,Larochelle H.Optimization as a model for few-shot learning[C].International Conference on Learning Representations,Toulon,France,2017:1-3.

[23]李凡长,刘洋,吴鹏翔,等.元学习研究综述[J].计算机学报,2021,44(02):422-446.

[24]Sung F,Yang Y,Li Z,et al.Learning to Compare:Relation Network forFew-Shot Learning[C].2018IEEE/CVF Conference on Computer Vision and PatternRecognition.IEEE,2018.

[25]Zhao M,Zhong S,Fu X,et al.Deep Residual Shrinkage Networks forFault Diagnosis[J].IEEE Transactions on Industrial Informatics,2020,(99):1-1.

[26]klambauer G,Unterthiner T,Mayr A,et al.Self-normalizing neuralnetworks[C].31st Conference on Neural Information Processing Systems.LongBeach,CA:NIPS Foundation.2017:971-980.

[27]Case Western Reserve University Bearing Data Center,http:// csegroups.case.edu/bearingdatacenter/home.

[28]Der Maaten L V,Hinton G E.Visualizing data using t-SNE[J].Journalof Machine Learning Research,2008,(9):2579-2605.

尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。

Claims (8)

1.一种改进关系网络的滚动轴承故障识别方法，其特征在于，包括下述步骤：

步骤一、获取滚动轴承原始振动信号训练数据和测试数据；

步骤二、对所述训练数据和所述测试数据进行预处理，分别获得源域数据集和目标域数据集；

步骤三、将源域数据集输入基于改进关系网络的元学习训练模型，获得训练好的滚动轴承故障分类模型；其中，改进关系网络包括改进嵌入模块和关系模块，改进嵌入模块和关系模块通过端到端方式进行小样本元学习；

步骤四、将目标域数据集输入训练好的滚动轴承故障分类模型，获得滚动轴承故障识别结果。

2.根据权利要求1所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤一中所述滚动轴承原始振动信号在4种负载条件下采集，负载类型包括0hp、1hp、2hp和3hp；所述训练数据和测试数据包括正常状态、内圈、外圈、滚动体故障及不同损伤程度共10种状态的滚动轴承原始振动信号。

3.根据权利要求2所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤二中所述预处理包括对所述训练数据和所述测试数据进行傅里叶变换，获得频域幅值序列。

4.根据权利要求3所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤三中所述改进嵌入模块是对原始嵌入模块进行改进，原始嵌入模块由四个卷积块构成，改进嵌入模块将第二、三个卷积块替换成残差收缩模块，将第四个卷积块替换成带有SELU激活函数的残差模块。

5.根据权利要求4所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤三的具体步骤包括：

步骤三一、从源域数据集中随机选取C个类别，每个类别中选取K个样本作为源域支持集，从每个类别剩余的样本中选取N个样本作为源域查询集，则源域支持集样本和源域查询集样本共同构成一个C-way K-shot任务；

步骤三二、将源域支持集样本和源域查询集样本输入到改进嵌入模块中，将输出的源域支持集特征和源域查询集特征进行拼接，组成特征对；

步骤三三、将所述特征对输入到关系模块中计算关系分数，通过关系分数判断源域查询集样本属于哪一类别；其中，所述关系分数用于表示源域支持集中的样本和源域查询集中的样本之间的相似度；

步骤三四、迭代循环执行步骤三一至步骤三三，利用均方误差损失优化网络参数，当达到最大迭代次数后停止执行，获得滚动轴承故障分类模型。

6.根据权利要求5所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤三中改进嵌入模块中所述残差收缩模块将软阈值作为非线性变换层加入到残差模块中，并引入注意力机制；具体为：

首先，将特征的绝对值输入全局平均池化层，得到一维向量；

然后，将一维向量输入到两个全连接层中，第二个全连接层中神经元的数量等于输入特征的通道数量；

然后，由Sigmoid激活层获得每个特征通道的归一化权重；

最后，利用Scale操作将归一化后的权重加权到特征的每个通道上，获得特征每个通道的阈值。

7.根据权利要求6所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，特征x每个通道的阈值计算公式为：

其中，τ_c表示特征第c个通道的阈值；α_c表示第c个注意力权重；i、j、c分别为特征x的宽度、高度、通道的索引。

8.根据权利要求7所述的一种改进关系网络的滚动轴承故障识别方法，其特征在于，步骤四的具体步骤包括：

步骤四一、从目标域数据集中随机选取C个类别，每个类别中选取K个样本作为目标域支持集，从每个类别剩余的样本中选取N个样本作为目标域查询集，则目标域支持集样本和目标域查询集样本共同构成一个C-way K-shot任务；

步骤四二、将目标域支持集样本和目标域查询集样本输入到训练好的滚动轴承故障分类模型中，利用滚动轴承故障分类模型中的改进嵌入模块提取目标域支持集和目标域查询集样本特征，并将输出的目标域支持集特征和目标域查询集特征进行拼接后输入到滚动轴承故障分类模型中的关系模块计算关系分数，根据关系分数对目标域查询集样本进行分类，获得滚动轴承故障分类结果。

Images