CN116051911B - 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 - Google Patents

基于不确定性学习的小样本轴承振动图像数据故障诊断方法 Download PDF

Info

Publication number
CN116051911B
CN116051911B CN202310321029.9A CN202310321029A CN116051911B CN 116051911 B CN116051911 B CN 116051911B CN 202310321029 A CN202310321029 A CN 202310321029A CN 116051911 B CN116051911 B CN 116051911B
Authority
CN
China
Prior art keywords
bearing
image
prototype
fault
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310321029.9A
Other languages
English (en)
Other versions
CN116051911A (zh
Inventor
于歌
张玺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202310321029.9A priority Critical patent/CN116051911B/zh
Publication of CN116051911A publication Critical patent/CN116051911A/zh
Application granted granted Critical
Publication of CN116051911B publication Critical patent/CN116051911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Acoustics & Sound (AREA)
  • Image Analysis (AREA)

Abstract

本发明公布了一种基于不确定性学习的小样本轴承振动图像数据故障诊断方法，属于工业故障诊断领域。本发明首先构造基于N‑way K‑shot的小样本数据集，生成基于任意不确定性分析后的原型，计算原型‑查询对的概率相似度，构造基于可微优化的图像分类器。采用本发明可以对工业小样本下轴承振动故障图像数据进行不确定性分析并快速建立量化模型，计算周期短以及可移植性高。可适应不同工况下的稀疏异构工业信号，并对其精准预测故障类型。

Description

基于不确定性学习的小样本轴承振动图像数据故障诊断方法
技术领域
本发明属于工业故障诊断领域，涉及小样本深度学习技术，具体涉及一种基于不确定学习的小样本轴承振动图像数据故障诊断方法。
背景技术
工业是国民经济的命脉，随着科学技术的发展，现代工业正朝向大规模化，高端化，复杂化与智能化快速发展，在这一趋势下，工业***运行的安全性和可靠性面临着更大的挑战。作为保障工业过程安全可靠运行的必要手段，故障诊断技术能够及时诊断出故障类型并消除其带来的不利影响。轴承是非常重要的设备零件，通过转子与转轴旋转，承载载荷，关乎工况设备安全运营与维护，在轴承运行时零件出现故障，会导致整个***失效，不仅又可能造成经济损失，而且有可能造成人员伤亡。随着图像传感器技术蓬勃发展，故障诊断研究已经逐渐形成了工业图像数据和智能诊断方法相结合的发展环境。这些技术的成功依赖于有足够多的标记数据，然而，在实际应用中，标注数据收集是很困难的。主要体现在数据分布的异构性与稀疏性，如设备差异、噪音干扰等多变的工况条件下数据的同构性无法保证，以及***故障本身为一个小概率事件，模拟故障状态对机器是有害的，所以故障样本天然为稀疏样本。数据的异构型与稀疏性造成了数据驱动方法面临的小样本问题，小样本问题极大地降低了模型的泛化性。
目前解决小样本问题的一个解决策略是基于度量学***均池化操作提取每个类别的特征表示即原型，然后利用他们执行非参数最近邻分类。尽管小样本学习已经取得了一定的发展，但在对抗不确定性提高诊断模型鲁棒性方面仍然存在很大的不足。真实工业***的不确定性导致所构建的模型更加脆弱和不可靠，特别是在样本数量有限的情况下。具体来说，不确定性主要来源于两方面，任意不确定性和认知不确定性。任意不确定性是数据生成过程中固有的随机性，由于数据质量不高而产生的统计上的可变性和影响。例如测量噪声，不可避免的传感器误差或数据本身固有的模糊性。认知不确定性源于模型的认知归纳偏差，是由模型训练不足引起的。认知不确定性通常反映在模型参数上。当一个模型在不考虑不确定性的情况下进行预测时，可能给诊断场景带来灾难性后果。目前小样本方法稍有能处理和缓解两种不确定性的工作，对于工业轴承小样本故障诊断尚没有形成快速鲁棒的诊断方法，因此亟待将智能化技术与工业故障数据不确定性学习有效结合一起，形成完备故障诊断方法。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于不确定学习的小样本工业图像数据故障诊断方法。
本发明提供的技术方案如下：
一种基于不确定学习的小样本轴承振动图像数据故障诊断方法，具体步骤如下：
1）将原始采集的轴承振动信号通过傅里叶FFT转换变为频域数据，将频域作为横轴，振动信号的功率谱密度作为纵轴，构成故障图像数据集；
2）基于小样本元学习N-way K-shot范式进行训练数据集构造，记步骤1）中的故障图像数据集
Figure SMS_1
，其中x为图像，y为标签，s为样本数，i表示第i个样本，从中随机取N*K个样本，包含N个类别，每个类别K个样本，构成轴承故障图像支持集/>
Figure SMS_2
；然后类别不重叠的随机取N*Q个样本，同样包含N个类别，每个类别Q个样本，构成轴承故障图像查询集/>
Figure SMS_3
；
3）使用原型网络模型
Figure SMS_4
，针对支持集/>
Figure SMS_5
中的故障样本，通过提取特征，每类K个样本生成K个嵌入向量，将第n（/>
Figure SMS_6
）类的K个嵌入向量在原始取平均获得一个嵌入向量即原始的原型/>
Figure SMS_7
，然后基于任意不确定性分析后的得到修正原型/>
Figure SMS_8
；
4）计算修正原型
Figure SMS_9
与轴承故障图像查询集/>
Figure SMS_10
中样本的嵌入向量之间的概率相似度/>
Figure SMS_11
，j代表查询集中第j个样本；
5）利用步骤4）得到的
Figure SMS_12
计算整个轴承图像分类网络/>
Figure SMS_13
的交叉熵分类损失函数/>
Figure SMS_14
，构造基于可微优化的图像分类器，将轴承故障图像分类为四种类型，内圈故障，外圈故障，转子故障和正常状态。
进一步，步骤3）具体包括：
3-1）对轴承故障图像支持集第n类的原型
Figure SMS_15
进行修正，/>
Figure SMS_16
，其中/>
Figure SMS_17
和/>
Figure SMS_18
代表横纵两个维度数;
3-2）计算包含任意不确定性的轴承信号特征
Figure SMS_19
的二阶统计特征，其中计算统计特征均值/>
Figure SMS_20
使用下式(1)，计算统计特征方差/>
Figure SMS_21
使用下式(2)，其中i代表第i个样本，j代表第j个通道/>
Figure SMS_22
（/>
Figure SMS_23
），/>
Figure SMS_24
（/>
Figure SMS_25
）代表维度指示数；
Figure SMS_26
(1)
Figure SMS_27
(2)
3-3）获得包含任意不确定统计信息的
Figure SMS_28
和/>
Figure SMS_31
后，利用公式（3）中损失函数/>
Figure SMS_33
以迭代下降的方式获得最优参数/>
Figure SMS_30
，利用得到的最优参数/>
Figure SMS_32
，通过公式（4），获得修正后的原型/>
Figure SMS_34
，其中/>
Figure SMS_35
表示类别、/>
Figure SMS_29
代表第n类样本集合。
Figure SMS_36
(3)
Figure SMS_37
(4)。
进一步，步骤4）具体包括：
4-1）轴承故障图像查询集
Figure SMS_40
中/>
Figure SMS_42
样本与第n类的原型/>
Figure SMS_43
的相似度/>
Figure SMS_38
服从公式(5)计算，其中高斯分布的均值为/>
Figure SMS_41
，使用原型网络模型/>
Figure SMS_44
对轴承故障图像的认知不确定性/>
Figure SMS_45
作为方差，其中/>
Figure SMS_39
表示概率，I代表单位矩阵。
Figure SMS_46
(5)
4-2）对于步骤4-1）中的认知不确定性
Figure SMS_47
，通过高斯分布均值/>
Figure SMS_48
利用Wasserstein距离公式(6)计算，其中/>
Figure SMS_49
代表/>
Figure SMS_50
的概率的累积分布函数，/>
Figure SMS_51
代表/>
Figure SMS_52
的概率的累积分布函数；
Figure SMS_53
(6)
4-3）然后利用蒙特卡洛对softmax层多次采样公式（7）计算
Figure SMS_54
，其中/>
Figure SMS_55
为采样次数，/>
Figure SMS_56
代表整个轴承图像分类网络，/>
Figure SMS_57
为取期望，/>
Figure SMS_58
是一个小于1的正数；
Figure SMS_59
(7)。
进一步，步骤5）具体包括：
5-1）利用步骤4）得到的
Figure SMS_61
直接计算整个轴承图像分类网络/>
Figure SMS_66
的损失函数/>
Figure SMS_69
，是不可微的，因此引入重参数化技巧如公式（8）构造基于可微优化的图像分类器，以此来近似优化目标，其中/>
Figure SMS_63
服从标准正态分布/>
Figure SMS_65
，通过执行/>
Figure SMS_67
次蒙特卡洛采样操作，
Figure SMS_70
，其中/>
Figure SMS_62
表示第/>
Figure SMS_64
次采样，/>
Figure SMS_68
是/>
Figure SMS_71
的估计值，/>
Figure SMS_60
代表了Hadamard乘积;
Figure SMS_72
（8）
5-2）利用步骤5-1）的
Figure SMS_73
计算整个轴承图像分类网络/>
Figure SMS_74
的交叉熵分类损失函数/>
Figure SMS_75
，查询集/>
Figure SMS_76
中轴承图像样本/>
Figure SMS_77
其属于类别n的损失函数/>
Figure SMS_78
计算采用公式(9)
Figure SMS_79
(9)。
多次重复步骤5）构成多个任务
Figure SMS_81
，将多个/>
Figure SMS_83
相加获得总损失/>
Figure SMS_86
，然后利用梯度下降法来更新轴承故障类别预测网络参数/>
Figure SMS_80
，其中s是迭代步数，/>
Figure SMS_85
是搜索步长，/>
Figure SMS_87
为微分运算，从第s步/>
Figure SMS_89
到第s+1步/>
Figure SMS_82
的参数更新方式为：/>
Figure SMS_84
，最终网络收敛可以得到最优的网络参数/>
Figure SMS_88
，/>
Figure SMS_90
。
本发明的有益技术效果：
采用本发明可以对工业小样本轴承振动图像数据故障诊断方法。故障数据进行不确定性分析并快速建立量化模型，其算法复杂度低，计算周期短以及可移植性高。可适应不同工况下的稀疏异构工业信号，并对其精准预测故障类型。
附图说明
图1 为本发明实施例的一种基于不确定性学习的小样本轴承振动图像数据故障诊断方法流程图；
图2为本发明实施例的在试验场轴承振动图像样本集下的不同类别特征T-SNE可视化结果；
图3为本发明实施例的在工业轴承振动图像样本集下的不同类别特征T-SNE可视化结果。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明，如图1所示，本发明基于深度最优特征传输的小样本故障诊断方法主要分为4个步骤：基于N-way K-shot的小样本数据集构造，生成基于任意不确定性分析后的原型，计算原型-查询对的概率相似度，构造基于可微优化的图像分类器。
本实例中：原型网络的核尺寸为3*3，网络中搜索步长为0.01。对于优化器，选择动量为0.9，权重衰减为1e-4的随机梯度下降(SGD)。将轴承振动信号通过傅里叶FFT转换变为频域数据，将频域作为横轴，振动信号的功率谱密度作为纵轴，构成故障图像数据集，对于轴承数据集，以不重叠的方式对每个故障截取300个样本，每个实例的长度为512点，输入网络为三通道时频图像，为4分类问题，
Figure SMS_91
。
具体实施如下：
步骤1：将原始采集的轴承振动信号转变为故障图像数据集；
通过傅里叶FFT转换变为频域数据，将频域作为横轴，振动信号的功率谱密度作为纵轴，构成故障图像数据集；
步骤2：基于小样本元学习N-way K-shot范式进行训练数据集构造；
记步骤1）中的故障图像数据集
Figure SMS_92
，其中x为图像，y为标签，s为样本数，i表示第i个样本，从中随机取N*K个样本，包含N个类别，每个类别K个样本，构成轴承故障图像支持集/>
Figure SMS_93
；然后类别不重叠的随机取N*Q个样本，同样包含N个类别，每个类别Q个样本，构成轴承故障图像查询集/>
Figure SMS_94
；
步骤3：使用原型网络模型
Figure SMS_95
，针对支持集/>
Figure SMS_96
中的故障样本，生成基于任意不确定性分析后的得到修正原型/>
Figure SMS_97
；
使用原型网络模型
Figure SMS_98
，针对支持集中的故障样本，通过提取特征，每类K个样本生成K个嵌入向量，将第n（/>
Figure SMS_99
）类的K个嵌入向量在原始取平均获得一个嵌入向量即原始的原型/>
Figure SMS_100
，然后基于任意不确定性分析后的得到修正原型/>
Figure SMS_101
，/>
Figure SMS_102
，其中
Figure SMS_103
和/>
Figure SMS_104
代表横纵两个维度数;
计算包含任意不确定性的轴承信号特征
Figure SMS_105
的二阶统计特征，其中计算统计特征均值/>
Figure SMS_106
使用下式(1)，计算统计特征方差/>
Figure SMS_107
使用下式(2)，其中i代表第i个样本，j代表第j个通道/>
Figure SMS_108
（/>
Figure SMS_109
），/>
Figure SMS_110
（/>
Figure SMS_111
）代表维度指示数；
Figure SMS_112
(1)
Figure SMS_113
(2)
获得包含任意不确定统计信息的
Figure SMS_115
和/>
Figure SMS_118
后，利用公式（3）中损失函数/>
Figure SMS_120
以迭代下降的方式获得最优参数/>
Figure SMS_116
，利用得到的最优参数/>
Figure SMS_117
，通过公式（4），获得修正后的原型/>
Figure SMS_119
，其中/>
Figure SMS_121
表示类别、/>
Figure SMS_114
代表第n类样本集合。
Figure SMS_122
(3)
Figure SMS_123
(4)。
步骤4：计算修正原型与轴承故障图像查询集样本的嵌入向量之间的概率相似度：
轴承故障图像查询集
Figure SMS_126
中/>
Figure SMS_128
样本与第n类的原型/>
Figure SMS_131
的相似度/>
Figure SMS_124
服从公式(5)计算，其中高斯分布的均值为/>
Figure SMS_127
，使用原型网络模型/>
Figure SMS_129
对轴承故障图像的认知不确定性/>
Figure SMS_130
作为方差，其中/>
Figure SMS_125
表示概率，I代表单位矩阵。
Figure SMS_132
(5)
对公式（5）中认知不确定性
Figure SMS_133
，通过高斯分布均值/>
Figure SMS_134
利用Wasserstein距离公式(6)计算，其中/>
Figure SMS_135
代表/>
Figure SMS_136
的概率的累积分布函数，/>
Figure SMS_137
代表/>
Figure SMS_138
的概率的累积分布函数；
Figure SMS_139
(6)
然后利用蒙特卡洛对softmax层多次采样公式（7）计算
Figure SMS_140
，其中/>
Figure SMS_141
为采样次数，
Figure SMS_142
代表整个轴承图像分类网络，/>
Figure SMS_143
为取期望，/>
Figure SMS_144
是一个小于1的正数；
Figure SMS_145
(7)。
步骤5： 最后计算整个轴承图像分类网络
Figure SMS_146
的交叉熵分类损失函数/>
Figure SMS_147
，构造基于可微优化的图像分类器，将轴承故障图像分类为四种类型，内圈故障，外圈故障，转子故障和正常状态；
将得到的
Figure SMS_149
直接计算整个轴承图像分类网络/>
Figure SMS_154
的损失函数/>
Figure SMS_157
，是不可微的，因此引入重参数化技巧如公式（8）构造基于可微优化的图像分类器，以此来近似优化目标，其中/>
Figure SMS_151
服从标准正态分布/>
Figure SMS_153
，通过执行/>
Figure SMS_155
次蒙特卡洛采样操作，/>
Figure SMS_159
，其中/>
Figure SMS_150
表示第/>
Figure SMS_152
次采样，/>
Figure SMS_156
是/>
Figure SMS_158
的估计值，/>
Figure SMS_148
代表了Hadamard乘积;
Figure SMS_160
（8）
将利用得到的
Figure SMS_161
计算整个轴承图像分类网络/>
Figure SMS_162
的交叉熵分类损失函数/>
Figure SMS_163
，查询集/>
Figure SMS_164
中轴承图像样本/>
Figure SMS_165
其属于类别n的损失函数/>
Figure SMS_166
计算采用公式(9)
Figure SMS_167
(9)。
多次重复步骤5）构成多个任务
Figure SMS_169
，将多个/>
Figure SMS_171
相加获得总损失/>
Figure SMS_174
，然后利用梯度下降法来更新轴承故障类别预测网络参数/>
Figure SMS_170
，其中s是迭代步数，/>
Figure SMS_172
是搜索步长，/>
Figure SMS_176
为微分运算，从第s步/>
Figure SMS_178
到第s+1步/>
Figure SMS_168
的参数更新方式为：/>
Figure SMS_173
，最终网络收敛可以得到最优的网络参数/>
Figure SMS_175
，/>
Figure SMS_177
。
仿真结果说明：
表1：本发明算法与传统小样本方法在试验场轴承故障漏磁数据集上分类结果精度对比
平均误差 类别1 类别2 类别3 类别4 类别5 类别6 类别7
本发明算法 98.2 86.1 89.0 88.2 82.0 89.5 87.4
传统方法 67.2 65.4 47.2 59.2 57.8 49.3 77.0
表2：本发明算法与传统小样本方法在工业轴承微小故障振动数据集上分类结果精度对比
平均误差 类别1 类别2 类别3 类别4
本发明算法 88.2 95.0 96.2 97.0
传统方法 42.9 44.8 46.9 48.2
表1，表2反映了本发明算法在试验场轴承故障诊断场景与工业轴承微小故障振动诊断场景的分类平均误差。其中本专利算法结果精度高，鲁棒性强。能够在故障不明显，噪声大，不确定性大的情况下取得更好的性能。
图2、图3分别反映了本发明方法和传统方法在两个场景下特征可视化结果，使用t-SNE方法将提取的64维特征投影到2维平面中，从结果中可以看出，本发明的方法减少了任意不确定性引起的决策边界失真，当样本被错误地标记时，特征边界很容易受到噪声标签的影响和过拟合。结果证明了本发明的模型有较高泛化性。此外，本发明使属于同一类别的特征更加紧凑。因为本发明的方法可以缓解训练过程中观察到的噪声扰动，获得更优秀的特征表示。

Claims (4)

1.一种基于不确定学习的小样本轴承振动图像数据故障诊断方法，具体步骤如下：
1）将原始采集的轴承振动信号通过傅里叶FFT转换变为频域数据，将频域作为横轴，振动信号的功率谱密度作为纵轴，构成故障图像数据集；
2）基于小样本元学习N-way K-shot范式进行训练数据集构造，记步骤1）中的故障图像数据集
Figure QLYQS_1
，其中x为图像，y为标签，s为样本数，i表示第i个样本，从中随机取N*K个样本，包含N个类别，每个类别K个样本，构成轴承故障图像支持集/>
Figure QLYQS_2
；然后类别不重叠的随机取N*Q个样本，同样包含N个类别，每个类别Q个样本，构成轴承故障图像查询集/>
Figure QLYQS_3
；
3）使用原型网络模型
Figure QLYQS_4
，针对支持集/>
Figure QLYQS_5
中的故障样本，通过提取特征，每类K个样本生成K个嵌入向量，将第n类的K个嵌入向量在原始取平均获得一个嵌入向量即原始的原型/>
Figure QLYQS_6
，
Figure QLYQS_7
，然后基于任意不确定性分析后得到修正原型 />
Figure QLYQS_8
；
4）计算修正原型
Figure QLYQS_9
与轴承故障图像查询集/>
Figure QLYQS_10
中样本的嵌入向量之间的概率相似度
Figure QLYQS_11
，j代表查询集中第j个样本；
5）利用步骤4）得到的
Figure QLYQS_12
计算整个轴承图像分类网络/>
Figure QLYQS_13
的交叉熵分类损失函数
Figure QLYQS_14
，构造基于可微优化的图像分类器，将轴承故障图像分类为四种类型，即内圈故障、外圈故障、转子故障和正常状态；
其中，步骤3）对原型
Figure QLYQS_15
进行修正，具体包括：
3-1）对轴承故障图像支持集第n类的原型
Figure QLYQS_16
进行修正，/>
Figure QLYQS_17
，其中/>
Figure QLYQS_18
和
Figure QLYQS_19
代表横纵两个维度数;
3-2）计算包含任意不确定性的轴承信号特征
Figure QLYQS_20
的二阶统计特征，其中计算统计特征均值/>
Figure QLYQS_21
使用下式(1)，计算统计特征方差/>
Figure QLYQS_22
使用下式(2)，其中i代表第i个样本，g代表第g个通道, />
Figure QLYQS_23
、/>
Figure QLYQS_24
代表维度指示数；/>
Figure QLYQS_25
；/>
Figure QLYQS_26
；
Figure QLYQS_27
(1)
Figure QLYQS_28
(2)
3-3）获得包含任意不确定统计信息的
Figure QLYQS_30
和/>
Figure QLYQS_31
后，利用公式（3）中损失函数/>
Figure QLYQS_32
以迭代下降的方式获得最优参数/>
Figure QLYQS_33
，利用得到的最优参数/>
Figure QLYQS_34
，通过公式（4），获得修正原型/>
Figure QLYQS_35
，其中/>
Figure QLYQS_36
表示类别，/>
Figure QLYQS_29
代表第n类样本集合；
Figure QLYQS_37
(3)
Figure QLYQS_38
(4)。
2.如权利要求1所述的基于不确定学习的小样本轴承振动图像数据故障诊断方法，其特征在于，步骤4）具体包括：
4-1）轴承故障图像查询集
Figure QLYQS_39
中/>
Figure QLYQS_41
样本与第n类的修正原型/>
Figure QLYQS_42
的相似度/>
Figure QLYQS_43
服从公式(5)计算，其中高斯分布均值为/>
Figure QLYQS_44
，使用原型网络模型/>
Figure QLYQS_45
对轴承故障图像的认知不确定性/>
Figure QLYQS_46
作为方差，其中/>
Figure QLYQS_40
表示概率，I代表单位矩阵；
Figure QLYQS_47
(5)
4-2）对于步骤4-1）中的认知不确定性
Figure QLYQS_48
，通过高斯分布均值/>
Figure QLYQS_49
利用Wasserstein距离公式(6)计算，其中/>
Figure QLYQS_50
代表/>
Figure QLYQS_51
的概率的累积分布函数，/>
Figure QLYQS_52
代表/>
Figure QLYQS_53
的概率的累积分布函数；
Figure QLYQS_54
(6)
4-3）然后利用蒙特卡洛对softmax层多次采样公式（7）计算
Figure QLYQS_55
，其中/>
Figure QLYQS_56
为采样次数，/>
Figure QLYQS_57
代表整个轴承图像分类网络，/>
Figure QLYQS_58
为取期望，/>
Figure QLYQS_59
是一个小于1的正数；
Figure QLYQS_60
(7)。
3.如权利要求1所述的基于不确定学习的小样本轴承振动图像数据故障诊断方法，其特征在于，步骤5）具体包括：
5-1）利用公式（8）构造基于可微优化的图像分类器，其中
Figure QLYQS_63
服从标准正态分布/>
Figure QLYQS_64
，通过执行/>
Figure QLYQS_65
次蒙特卡洛采样操作，/>
Figure QLYQS_66
，其中/>
Figure QLYQS_67
表示第/>
Figure QLYQS_68
次采样，/>
Figure QLYQS_69
是/>
Figure QLYQS_61
的估计值，/>
Figure QLYQS_62
代表了Hadamard乘积;
Figure QLYQS_70
（8）
5-2）利用步骤5-1）的
Figure QLYQS_71
计算整个轴承图像分类网络/>
Figure QLYQS_72
的交叉熵分类损失函数
Figure QLYQS_73
，查询集/>
Figure QLYQS_74
中轴承图像样本/>
Figure QLYQS_75
其属于类别n的损失函数/>
Figure QLYQS_76
计算采用公式(9)
Figure QLYQS_77
(9)。
4.如权利要求3所述的基于不确定学习的小样本轴承振动图像数据故障诊断方法，其特征在于，多次重复步骤5）构成多个任务
Figure QLYQS_79
，将多个/>
Figure QLYQS_81
相加获得总损失/>
Figure QLYQS_82
，然后利用梯度下降法来更新轴承故障类别预测网络参数/>
Figure QLYQS_85
，其中s是迭代步数，/>
Figure QLYQS_86
是搜索步长，/>
Figure QLYQS_87
为微分运算，从第s步/>
Figure QLYQS_88
到第s+1步/>
Figure QLYQS_78
的参数更新方式为：/>
Figure QLYQS_80
，最终网络收敛得到最优的网络参数/>
Figure QLYQS_83
，/>
Figure QLYQS_84
。
CN202310321029.9A 2023-03-29 2023-03-29 基于不确定性学习的小样本轴承振动图像数据故障诊断方法 Active CN116051911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310321029.9A CN116051911B (zh) 2023-03-29 2023-03-29 基于不确定性学习的小样本轴承振动图像数据故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310321029.9A CN116051911B (zh) 2023-03-29 2023-03-29 基于不确定性学习的小样本轴承振动图像数据故障诊断方法

Publications (2)

Publication Number Publication Date
CN116051911A CN116051911A (zh) 2023-05-02
CN116051911B true CN116051911B (zh) 2023-07-07

Family

ID=86116691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310321029.9A Active CN116051911B (zh) 2023-03-29 2023-03-29 基于不确定性学习的小样本轴承振动图像数据故障诊断方法

Country Status (1)

Country Link
CN (1) CN116051911B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116402825B (zh) * 2023-06-09 2023-08-11 华东交通大学 轴承故障红外诊断方法、***、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017196821A1 (en) * 2016-05-09 2017-11-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US10963754B1 (en) * 2018-09-27 2021-03-30 Amazon Technologies, Inc. Prototypical network algorithms for few-shot learning
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN114861749A (zh) * 2022-03-11 2022-08-05 山东科技大学 一种基于深度原型网络的少样本轴承故障诊断方法
CN115046766A (zh) * 2022-06-15 2022-09-13 石家庄铁道大学 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion
CN114239384A (zh) * 2021-11-29 2022-03-25 重庆邮电大学 一种基于非线性度量原型网络的滚动轴承故障诊断方法
CN114417931A (zh) * 2022-01-21 2022-04-29 石家庄铁道大学 一种基于原型网络的轴承故障诊断方法
CN114740726B (zh) * 2022-04-22 2022-10-21 北京大学 基于深度最优特征传输的工业过程小样本故障诊断方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017196821A1 (en) * 2016-05-09 2017-11-16 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US10963754B1 (en) * 2018-09-27 2021-03-30 Amazon Technologies, Inc. Prototypical network algorithms for few-shot learning
CN112763214A (zh) * 2020-12-31 2021-05-07 南京信息工程大学 基于多标签零样本学习的滚动轴承故障诊断方法
CN114861749A (zh) * 2022-03-11 2022-08-05 山东科技大学 一种基于深度原型网络的少样本轴承故障诊断方法
CN115046766A (zh) * 2022-06-15 2022-09-13 石家庄铁道大学 基于二维灰度图像自适应子空间的小样本轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Few Shot Learning for Novel Fault Diagnosis with a Improved Prototypical Network;Yibin Chen et al.;《Knowledge-Based Systems》,第 252卷2022-09-27Zhuohang Chen et al.,Multi-expert Attention Network with Unsupervised Aggregation for long-tailed fault diagnosis under speed variation第 1-18页1-4A《2021 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD)》;第1-6页 *
Multi-expert Attention Network with Unsupervised Aggregation for long-tailed fault diagnosis under speed variation;Zhuohang Chen et al.;《Knowledge-Based Systems》;第252卷;第 1-18页 *
基于小样本学习的不同型号滚动轴承故障诊断方法研究;乔春阳;《中国优秀硕士学位论文全文数据库工程科技辑》(第1期);第 1-59页 *
小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法;雷春丽 等;《计算机集成制造***》;第 1-19页 *

Also Published As

Publication number Publication date
CN116051911A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Yiakopoulos et al. Rolling element bearing fault detection in industrial environments based on a K-means clustering approach
CN108709745B (zh) 一种基于增强型lpp算法和极限学习机快速轴承故障识别方法
Jia et al. GTFE-Net: A gramian time frequency enhancement CNN for bearing fault diagnosis
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
Zhang et al. Triplet metric driven multi-head GNN augmented with decoupling adversarial learning for intelligent fault diagnosis of machines under varying working condition
CN111353373A (zh) 一种相关对齐域适应故障诊断方法
CN116051911B (zh) 基于不确定性学习的小样本轴承振动图像数据故障诊断方法
CN115600150A (zh) 一种基于深度迁移学习的多模态齿轮箱故障诊断方法
CN110991471B (zh) 一种高速列车牵引***故障诊断方法
CN116226646A (zh) 轴承健康状态及剩余寿命的预测方法、***、设备及介质
Tao et al. Fault diagnosis of rolling bearing using deep belief networks
Zhou et al. Fault detection of rolling bearing based on FFT and classification
CN117290771A (zh) 基于改进辅助分类生成对抗网络的旋转机械故障诊断方法
CN112149804B (zh) 一种新型卷积神经网络模型及应用
Zhang et al. Weighted domain separation based open set fault diagnosis
CN117592543A (zh) 一种基于自监督学习的航空发动机滚动轴承故障诊断方法
CN115356599B (zh) 一种多模态城市电网故障诊断方法及***
CN115326398B (zh) 一种基于模糊宽度学习模型的轴承故障诊断方法
Zhao et al. Task-generalization-based graph convolutional network for fault diagnosis of rod-fastened rotor system
Wang et al. Intelligent fault diagnosis algorithm of rolling bearing based on optimization algorithm fusion convolutional neural network
Du et al. Graph neural network-based early bearing fault detection
Chen et al. Few shot learning for novel fault diagnosis with a improved prototypical network
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Zhang et al. Multi‐attribute quantitative bearing fault diagnosis based on convolutional neural network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant