一种基于特征融合的跨设备滚动轴承小样本故障诊断方法技术

本发明专利技术提供了一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，用于滚动轴承的故障诊断，解决了现有方法对于滚动轴承由于缺乏故障标记数据而导致的诊断准确率不高的问题，其内容包括：对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理；构建基于激励注意力机制（SE）分支、卷积注意力机制（CBAM）分支和捷径分支的特征融合模块；构建基于特征融合模块的神经网络模型；利用源域数据集预训练模型；对预训练模型冻结卷积层和特征融合模块层参数，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断。断。断。

【技术实现步骤摘要】
一种基于特征融合的跨设备滚动轴承小样本故障诊断方法


[0001]本专利技术涉及机械设备故障诊断领域，具体而言，涉及一种基于特征融合的跨设备滚动轴承小样本故障诊断方法。

技术介绍

[0002]在如今的互联网时代下，我国的智能制造业也得到了迅速的发展，各行业的生产线、机械装备、生产管理也变得智能化和复杂化。这使得我们需要将故障诊断技术和方法与现代新技术相结合，以适应更加复杂的工况，适应更多不同的设备。传统的诊断方法大多采用专家经验进行诊断，主要依靠信号处理和人工识别信号的特征，结合检测人员的诊断经验进行故障诊断。但是随着数据的多样化、故障类型的复杂化、传统的故障诊断方法逐渐失去优势。
[0003]结合深度学习的诊断方法主要将传感器采集的振动信号、声信号、温度等数据传入深度学习模型中，通过模型极强的非线性拟合能力去学习信号特征和筛选有效特征，并对特征进行识别和匹配，从而完成传入信号的状态分类任务。相比传统的诊断方法，与深度学习相结合的诊断方法在处理大量同源有标签数据时准确率和速率更高。
[0004]然而，实际工业生产中的设备难免会存在故障数据获取困难或者模拟实验昂贵导致故障数据样本稀少的情况，此时，用常规的模型在小样本的情况下训练，就容易出现模型收敛困难、诊断精确度不高或者模型泛化性差的问题。故障数据稀少的情况常出现于大型航空航天发动机、石油钻探等领域，一方面航空航天的领域设备大多需要在稳定可靠度高的情况下工作，采集的数据多为正常状态数据，故障状态的数据往往只有少量，另一方面当设备在恶劣下运行时，收集到的无论正常还是故障数据都会受到很大的外界因素的干扰，导致数据可靠度降低，造成有效数据稀少。
[0005]针对上述问题，迁移学习带来了解决难题的思路和方法。迁移学习是将一个或多个任务中学习到的知识应用到新任务中的方法。它能够有效的节约计算成本，并且解决标签不足的问题。相对而言，实验室对类似或相近的设备进行模拟和测试获得实验数据会更为丰富，且数据样本都有更加准确和详细的状态标注，进而可以将其作为跨设备滚动轴承小样本故障诊断中迁移学习的知识来源。
[0006]但是跨设备迁移故障诊断任务还具有两大难点，第一个难在于源域与目标域的数据差异过大，导致迁移模型在目标域的分类性能下降的问题。因为不同的设备都有不同的机械结构、工作环境和运行状态，从而导致故障的类型、故障的位置、故障的严重程度、数据频率等各方面的不同。最终造成模型在目标领域的判别性下降，决策边界附近的模糊目标样本被误分类的问题。跨设备迁移故障诊断任务的另一个难点在于是数据不平衡问题，即健康样本的数量远大于故障样本数量和故障类别不同现象。当轴承型号和损伤程度的差异导致不同设备的故障种类出现类别不同的情况时，分类器难以充分学习到少数类的特征，且多数类样本会模糊少数类样本的边界，在类别发生重叠时难以有效地将少数类样本与多数类区分开，容易造成分类器对少数类的判别性下降。
[0007]因此，在目标设备只有少量的故障数据时，对该设备进行有效的故障诊断分析具有十分重要的实际意义。

技术实现思路

[0008]本专利技术的主要目的旨在解决现有的轴承小样本故障诊断技术中所存在的诊断准确率低、泛化性差的问题，提供一种基于特征融合的跨设备轴承小样本故障诊断方法，为小样本数据下的轴承故障诊断供科学依据，为保障设备正常稳定运行提供可靠支撑。
[0009]实现本专利技术目的的技术解决方案为：一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，包括以下步骤：步骤一：获取滚动轴承数据集，所述数据集包括源域数据集以及目标域数据集，并对源域数据集以及目标域数据集进行样本划分；步骤二：对源域数据集和目标域数据集进行数据预处理，包括数据标准化、样本扩充和时频处理；步骤三：构建基于激励注意力机制（SE）分支、卷积注意力机制（CBAM）分支和捷径分支的特征融合模块；步骤四：构建基于特征融合模块的神经网络模型；步骤五：利用源域数据集进行模型预训练；步骤六：通过迁移学习的方法，将源域数据集训练的模型迁移至预处理后的目标域数据集进行参数微调，完成跨设备滚动轴承小样本故障诊断；进一步的，步骤一中，目标域的小样本训练集采用K
‑
way N
‑
shot的模式设置，K
‑
way中K 表示有K个分类数量，N
‑
shot表示有每一类别中样本数量为N个，根据数据集的不同分类数量设置相应的小样本任务，模拟实际工程中的数据样本缺失情况，增加本专利技术进行小样本故障诊断的可信度；进一步的，步骤二中，对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理。标准化采用Z
‑
socre变换，样本扩充采用裁剪随机长度的数据来扩充数据样本，时频处理采用短时傅里叶变换（STFT）处理，并选用汉宁窗口；进一步的，步骤三中，构建的特征融合模块从上往下共设计三个分支：第一个分支是SE分支，传入的特征图经过一下采样层调整尺寸后经过SE模块；第二个分支是CBAM分支，特征图先经过一个大小为3
×
3的卷积层以及BN层和ReLU激活函数，然后再经过一个大小为3
×
3的卷积层，最后再经过CBAM模块；第三个支路为捷径分支，其只包含一个下采样层；最终特征融合过程是将三个分支的特征图进行相加后，再一次通过ReLU激活函数，计算过程：
[0010]其中σ为ReLU激活函数，为经过SE支路的输出，为经过CBAM支路的输出，X为经过捷径分支的输出，L为特征融合模块输出。
[0011]进一步的，步骤四中，神经网络结构依次由7
×
7卷积层、BN层、ReLU激活函数、最大池化层、8个特征融合模块拼接的特征融合模块层、平均池化层、全连接层构成；进一步的，步骤五中，使用源域数据进行训练时满足下列条件之一即停止训练模型：
①
测试集准确率100%；
②
训练迭代次数达到20；进一步的，步骤六中，迁移预训练模型时，冻结卷积层、池化层和特征融合模块层
的参数作为故障特征提取器，然后自适应调整全连接层的输出大小，以适应不同数据集的分类数目，实现跨设备轴承小样本故障诊断。
[0012]本专利技术的有益效果是：与现有的小样本轴承故障诊断方法相比，本专利技术通过SE分支和CBAM注意力机制模块分支实现对多尺度故障特征的提取与融合，并通过捷径分支最大限度保留输入数据的特征信息，最后进行三条支路的特征信息融合，使模型兼顾了跨层恒等映射与多尺度特征提取的优势，从而实现在少量训练样本的情况下，对故障特征信息的有效识别，并且结合迁移学习，进一步提高模型分类的准确性和泛化性。该专利技术成果可为滚动轴承故障诊断提供可靠的技术支撑，对于保持机械设备的稳定运行，减少意外事故的发生是有十分重要的意义的。
附图说明
[0013]为了更清楚地说明本专利技术实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，包括步骤如下：步骤一：获取滚动轴承数据集，所述数据集包括源域数据集以及目标域数据集，并对源域数据集以及目标域数据集进行样本划分；步骤二：对源域数据集和目标域数据集进行数据预处理，包括数据标准化、样本扩充和时频处理；步骤三：构建基于激励注意力机制（SE）分支、SE注意力机制模块和卷积注意力机制（CBAM）分支的特征融合模块；步骤四：构建基于特征融合模块的神经网络模型；步骤五：利用源域数据集进行模型预训练；步骤六：通过迁移学习的方法，将源域数据集训练的模型迁移至预处理后的目标域数据集进行参数微调，完成跨设备滚动轴承小样本故障诊断。2.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤一中，目标域的小样本训练集采用K
‑
way N
‑
shot的模式设置，K
‑
way中K 表示有K个分类数量，N
‑
shot表示有每一类别中样本数量为N个，根据数据集的不同分类数量设置相应的小样本任务，模拟实际工程中的数据样本缺失情况，增加本发明进行小样本故障诊断的可信度。3.如权利要求1所述的一种基于特征融合的跨设备滚动轴承小样本故障诊断方法，其特征在于，步骤二中，对源域数据集进行标准化、时频处理，对目标域小样本训练集进行标准化、样本扩充和时频处理，标准化采用Z
‑
socre变换，样本扩充采用裁剪随机长度的数据来扩充数据样本，时频处理采用短时傅里叶变换（STFT）处理，并选用汉宁窗口。4.如权利要求1所述的一种基于特...

【专利技术属性】
技术研发人员：唐宇峰，杨泽林，李文杰，张思维，曹睿，
申请(专利权)人：四川轻化工大学，
类型：发明
国别省市：