元度量学习驱动的直升机行星齿轮箱故障诊断方法技术

本发明专利技术公开了一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，方法中，元度量深度神经网络为核心，由特征编码网络和特征匹配网络两个子网络组成；通过在相关的源域中建立多个子任务来迭代训练网络参数，并使用神经网络来抽象化取代可优化更新的特征距离匹配函数，最终在目标任务域实现利用少量标签样本来进行高精度的直升机行星齿轮箱故障诊断。诊断方法包括准备阶段、元学习阶段以及迁移阶段共三个流程。在准备阶段，完成网络超参数设置以及数据集的分割。在元学习阶段，利用源域数据来训练模型学习最优的特征提取以及距离度量的网络参数。最终，在迁移阶段对检测样本与目标域多类故障样本进行特征提取与特征匹配，得到故障模式判定决策。到故障模式判定决策。到故障模式判定决策。

【技术实现步骤摘要】
元度量学习驱动的直升机行星齿轮箱故障诊断方法


[0001]本专利技术属于直升机行星齿轮箱故障诊断
，特别是一种元度量学习驱动的直升机行星齿轮箱故障诊断方法。

技术介绍

[0002]与固定翼飞机相比，直升机事故高发，且严重事故比例大，这对直升机安全性和可靠性提出了很高的要求。因此开展直升机健康管理与故障诊断研究是保证直升机运行安全性与运维经济性的重要基础，长期以来备受关注。而其传动系统行星齿轮箱则因其工作环境恶劣、载荷变化大等，成为故障易发的薄弱环节。针对其开展的故障诊断研究一直是直升机健康与使用监控系统(HUMS)的核心任务之一。
[0003]直升机传动系统故障诊断的任务是通过对某个部件进行智能诊断，给出可能的故障的类型和程度，为后续维护和健康管理提供依据。从信号处理角度出发以及从智能诊断角度出发的相关诊断方法都已经被广泛的应用。信号处理方面，包括使用振动信号的低阶条件谱矩，实现齿轮箱故障类型的实时诊断；通过小波分解和功率谱提取特征，作为后续智能诊断方法的特征输入。智能诊断方面，则包括采用人工神经网络对直升机传动系统故障进行分类；基于人工神经网络的主减速器行星齿轮故障程度辨识方法；基于稀疏贝叶斯极限学习机的行星齿轮箱故障类型识别以及行星轮裂纹程度辨识；基于隐马尔可夫模型和递归神经网络(RNN)的齿轮健康监测框架等。
[0004]虽然基于传统信号处理以及以深度神经网络为代表的智能诊断方法可以在诊断分类精度上取得一定的提升，但在有限的训练样本甚至极少的训练样本下保持高诊断精度的难题依然有待解决。依然存在着在1)复杂工况任务中精度不高、鲁棒性不强，难以适应复杂多变的工况；2)对训练数据量的过度依赖，当样本数量过少时，诊断精度显著下降；3)频繁复杂的变工况运行状态所引起的故障样本稀缺等问题。
[0005]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

技术实现思路

[0006]针对现有技术中的问题，本专利技术提出一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，能够在目标域仅有少量有效故障样本的情况下实现故障形式的精准诊断。
[0007]本专利技术的目的是通过以下技术方案予以实现，一种元度量学习驱动的直升机行星齿轮箱故障诊断方法包括以下步骤：
[0008]基于一维卷积模块搭建元度量网络，其中，元度量网络包括对原始输入信号特征提取的特征编码网络f
θ
和特征匹配网络所述特征编码网络f
θ
包括多个一维卷积模块、一维自适应池化层以及全连接层，其中分别代表两个网络的可学习参数。
[0009]采集直升机传动系统行星齿轮箱振动信号，将所述振动信号分隔成数据点长度相
同的样本集，快速傅里叶变换预处理所述样本集中所有的样本以获得频谱信号，分组所述频谱信号为包含训练样本的训练类别和包含测试样本的测试类别测试样本少于所述训练样本，其中，训练样本包括第一支撑样本与第一查询样本测试样本包括第二支撑样本和第二查询样本确定单次训练的样本类别K，第一支撑样本数量N，第一查询样本数量M。
[0010]元度量网络在多次元学习训练循环周期中迭代更新，在每一个训练循环中，从训练集类别中随机采样K类，每一类随机采样N个第一支撑样本{x
s
}，M个第一查询样本{x
q
}，同时将第一支撑样本与第一查询样本输入特征编码网络中进行前向传播，使它们投影到统一的特征空间得到两组特征{z
s
}，{z
q
}，然后将两组特征{z
s
}，{z
q
}进行拼接得到组合特征{z}并输入特征匹配网络，得到两个特征的匹配度分值{g}＝[g1，g2，
…
，g
K
]，分值包含K个子元素。将不同第一支撑样本与第一查询样本的匹配度分值输入到柔性最大值激活函数softmax，得到归一化后的分类概率{c}＝[c1，c2，
…
，c
K
]，其中每一个子元素输出值分别为代表该样本属于本类别的概率。
[0011]然后计算预测结果{c}与实际标签y＝[y1，y2，
…
，y
K
]之间的均方误差分类损失函数通过误差反向传播对元度量网络进行迭代更新，网络在参数更新过程中期望实现的优化目标定义如下：
[0012][0013]其中
[0014]元度量网络在多次迁移循环周期中进行迁移测试，在每一个迁移循环中，从测试集的K种类别中进行采样，每一类随机采样N个第二支撑样本M个第二查询样本同时将第二支撑样本与第二查询样本输入特征编码网络中进行前向传播，使它们投影到统一的特征空间得到两组特征，然后将两组特征进行拼接得到组合特
征并输入特征匹配网络，得到两个特征的匹配度分值，将不同第二支撑样本与第二查询样本的匹配度分值输入到柔性最大值激活函数softmax得到归一化后的分类概率，最后通过比较第二查询样本与不同第二支撑样本的匹配度分值，将该第二查询样本归类为分值最高的支撑样本类别。
[0015]所述的方法中，频谱信号的每一个样本的长度为对应振动信号的样本长度的一半。
[0016]所述的方法中，特征编码网络f
θ
包括四个一维卷积模块和一个一维自适应池化层，第一个一维卷积模块的卷积核最大。
[0017]所述的方法中，特征匹配网络表示参数化距离度量函数。
[0018]所述的方法中，特征编码网络输出为一个64通道*25宽度的特征张量，特征匹配网络输入为128通道*25宽度的特征张量，输出为8通道的特征张量。
[0019]所述的方法中，匹配度分值变化范围为0
‑
1。
[0020]有益效果
[0021]本专利技术所述的方法从相关域中学习有用的领域知识来共享到目标域，对目标域的样本数量依赖性小，且学习过程灵活可变，不受故障类别数量与样本数量的拘束；在数据挖掘过程中联合了不同领域之间的知识，扩充了深度神经网络的学习空间，最大程度的利用了模型的表示学习能力；同时少样本迁移学习的建模方式精准适配于直升机在线故障诊断的场景需求，是实现离线典型故障样本到在线真实故障样本之间进行特征与模型迁移的有效手段。
[0022]上述说明仅是本专利技术技术方案的概述，为了能够使得本专利技术的技术手段更加清楚明白，达到本领域技术人员可依照说明书的内容予以实施的程度，并且为了能够让本专利技术的上述和其它目的、特征和优点能够更明显易懂，下面以本专利技术的具体实施方式进行举例说明。
附图说明
[0023]通过阅读下文优选的具体实施方式中的详细描述，本专利技术各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。显而易见地，下面描述的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种元度量学习驱动的直升机行星齿轮箱故障诊断方法，所述方法包括以下步骤：基于一维卷积模块搭建元度量网络，其中，元度量网络包括对原始输入信号特征提取的特征编码网络f
θ
和特征匹配网络所述特征编码网络f
θ
包括多个一维卷积模块、一维自适应池化层以及全连接层，其中θ，分别代表两个网络的可学习参数；采集直升机传动系统行星齿轮箱振动信号，将所述振动信号分隔成数据点长度相同的样本集，快速傅里叶变换预处理所述样本集中所有的样本以获得频谱信号，分组所述频谱信号为包含训练样本的训练类别和包含测试样本的测试类别测试样本少于所述训练样本，其中，训练样本包括第一支撑样本与第一查询样本测试样本包括第二支撑样本和第二查询样本确定单次训练的样本类别K，第一支撑样本数量N，第一查询样本数量M；元度量网络在多次元学习训练循环周期中迭代更新，在每一个训练循环中，从训练集类别中随机采样K类，每一类随机采样N个第一支撑样本{x
s
}，M个第一查询样本{x
q
}，同时将第一支撑样本与第一查询样本输入特征编码网络中进行前向传播，使它们投影到统一的特征空间得到两组特征{z
s
}，{z
q
}，然后将两组特征{z
s
}，{z
q
}进行拼接得到组合特征{z}并输入特征匹配网络，得到两个特征的匹配度分值{g}＝[g1，g2，
…
，g
K
]，分值包含K个子元素，将不同第一支撑样本与第一查询样本的匹配度分值输入到柔性最大值激活函数softmax，得到归一化后的分类概率{c}＝[c1，...

【专利技术属性】
技术研发人员：孙闯，武靖耀，赵志斌，王诗彬，同超玮，李明，严如强，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：