一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质，涉及旋转机械故障诊断领域。解决现有深度学习方法不能有效处理小样本，难以用于滚动轴承的故障诊断。方法包括：采集滚动轴承原始工况及目标工况下的振动信号，并对所述信号进行分割，构建源域样本数据集和目标域样本数据集；提取信号的时频特征，构建时频图像数据集；构建特征融合的CNN模型；将原始振动信号和对应的时频图像进行归一化处理并利用源域数据进行CNN模型训练，获取CNN训练模型；根据目标域中部分样本调整CNN训练模型，获取CNN故障诊断微调模型；采用所述微调模型诊断目标域剩余样本，获取故障诊断结果。应用于滚动轴承的智能检测领域。应用于滚动轴承的智能检测领域。应用于滚动轴承的智能检测领域。
【技术实现步骤摘要】
一种基于CNN特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
[0001]本专利技术涉及旋转机械故障诊断领域，尤其涉及一种基于CNN特征融合的小样本迁移学习故障诊断方法。
技术介绍
[0002]滚动轴承是旋转机械传动装置的关键基础部件，当滚动轴承长期在极端和复杂的工况下运行时容易产生故障，从而造成经济损失和安全事故。因此，为避免由滚动轴承的故障导致的经济损失和安全事故，有必要使用故障诊断技术监测滚动轴承的运行状况。
[0003]目前滚动轴承的故障诊断方法中主要包括有基于信号处理技术的传统方法和基于深度学习的方法。传统的故障诊断方法大部分需要手动选择特征，在分析复杂系统时，需要相当多的专业知识，其诊断结果存在很大的不确定性且泛化性较差。深度学习方法能够大大减少特征提取对专业知识的需求并减少人工参与带来的不确定性，能够直接完成端到端的智能故障诊断。
[0004]采集到的轴承原始振动信号通常具有非平稳特性，且包含大量的背景噪声和其他部件产生的噪声，从而导致诊断结果不佳。时频分析是处理非平稳信号的有效工具。基于时频图像的深度学习方法往往层数较深，随着隐藏层的数量和大小的增加，所需训练参数的数量也会增加。这导致在训练基于图像的深度学习网络时往往需要大量分布相同的标记数据，且现有的深度学习方法基于单一时域信号而导致提取的特征质量不佳、深度学习模型训练困难，在目标域标记样本不足时难以应用。
[0005]在大多数实际工业场景中，训练数据受到严格限制，尤其是故障往往只在轴承寿命的末期发生。并且，由于滚动轴承工作条件复杂多样，诊断模型中学习和预测的故障数据分布存在不同。常用的深度学习方法不能很好地处理小样本的情况，难以用于滚动轴承的故障诊断。
技术实现思路
[0006]本专利技术为了解决现有的深度学习方法不能很好地处理小样本的情况，难以用于滚动轴承的故障诊断问题，提出了一种基于CNN特征融合的小样本迁移学习(TL
‑
MTCN)故障诊断方法。
[0007]本专利技术的技术方案为：
[0008]一种基于CNN特征融合的小样本迁移学习故障诊断方法，所述方法包括：
[0009]S1：采集滚动轴承原始工况以及目标工况下的振动信号，并对所述原始振动信号进行分割，根据所述分割后的信号构建源域样本数据集和目标域样本数据集；
[0010]S2：提取所述原始振动信号的时频特征，构建时频图像数据集；
[0011]S3：根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型；
[0012]S4：将所述原始振动信号和对应的时频图像进行归一化处理，根据所述归一化后
的源域数据进行CNN模型训练，获取CNN训练模型；
[0013]S5：根据所述目标域样本数据集中部分样本调整CNN训练模型，获取CNN故障诊断微调模型；
[0014]S6：采用所述CNN故障诊断微调模型诊断所述目标域剩余样本，获取轴承故障诊断结果。
[0015]进一步的，还提供一种优选方式，所述根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型，包括：
[0016]采用标准卷积模块的ConvNeXt网络，提取所述时频图像数据集的特征，其中，ConvNeXt网络的输入特征大小为224
×
224，输出特征尺寸为768
×
1；
[0017]构建结合ECA
‑
Net的1D
‑
CNN网络结构，对原始振动信号进行特征提取，其中，所述1D
‑
CNN网络结构的输入的原始振动信号长度为1024，输出特征尺寸为96
×
1；
[0018]将所提取到时频图像特征和原始振动信号特征进行融合，获取特征融合的CNN模型。
[0019]进一步的，还提供一种优选方式，所述1D
‑
CNN网络结构具体为：
[0020]所述1D
‑
CNN网络由4个卷积层组成，每个卷积层中的卷积核数量分别为256、128、64和32，其中，第一个卷积层的卷积核大小为64，其余为3，步长均为1；
[0021]在每个卷积层之后，均有一个最大池化层，其池化核大小为4
×
1，池化移动步长为4。并且卷积层和池化层均不进行填充操作；在网络的末端，添加两个全连接层，分别有96和10个神经元；
[0022]在最后两个卷积层后增加ECA
‑
Net模块，此外，在每个卷积层后使用的非线性激活函数是缩放指数线性单元SeLu，分类层使用Softmax。
[0023]进一步的，还提供一种优选方式，所述卷积计算方法为：
[0024][0025]其中，为第i个神经元的输出，为第i个神经元的输入，f(
·
)为激活函数，ω
ij
为输入信号与第j个神经元的连接权重，b
j
为输出偏置。
[0026]进一步的，还提供一种优选方式，所述将所述数据集中的原始振动信号和对应的时频图像进行归一化处理，还包括：
[0027]选取源域样本数据集中70％的样本作为训练集进行预训练，使用30％的样本作为验证集评估源域训练结果并保留最佳参数；在达到预设迭代次数时，根据验证集的性能保存最佳的源域训练参数迁移到目标域。
[0028]进一步的，还提供一种优选方式，所述根据所述目标域样本数据集中部分样本调整CNN训练模型，获取CNN故障诊断微调模型，包括：
[0029]将所述源域样本数据集中预训练的样本迁移至整个TL
‑
MTCN深度卷积网络，根据迁移任务决定是否删除最后全连接层及其参数；
[0030]在目标域上以10％以内的样本作为训练集进行预训练调整CNN训练模型，其余样本作为验证集。
[0031]进一步的，还提供一种优选方式，所述时频图像进行归一化处理具体为：
[0032]采用ImageNet数据集的均值和方差做标准化处理，其中，均值为(0.485,0.456,0.406)，方差为(0.229,0.224,0.225)。
[0033]基于同一专利技术构思，本专利技术还提供一种基于CNN特征融合的小样本迁移学习故障诊断系统,所述系统包括：
[0034]模块一：用于采集滚动轴承原始工况以及目标工况下的振动信号，并对所述原始振动信号进行分割，根据所述分割后的信号构建源域样本数据集和目标域样本数据集；
[0035]模块二：用于提取所述原始振动信号的时频特征，构建时频图像数据集；
[0036]模块三：用于根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型；
[0037]模块四：用于将所述原始振动信号和对应的时频图像进行归一化处理，根据所述归一化后源域的数据进行CNN模型训练，获取CNN训练模型；
[0038]模块五：用于根据所述目标域样本数据集中部分样本调整CNN训练模型，获取CNN故障诊本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于CNN特征融合的小样本迁移学习故障诊断方法，其特征在于，所述方法包括：S1：采集滚动轴承原始工况以及目标工况下的振动信号，并对所述原始振动信号进行分割，根据所述分割后的信号构建源域样本数据集和目标域样本数据集；S2：提取所述原始振动信号的时频特征，构建时频图像数据集；S3：根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型；S4：将所述原始振动信号和对应的时频图像进行归一化处理，根据所述归一化后的源域数据进行CNN模型训练，获取CNN训练模型；S5：根据所述目标域样本数据集中部分样本调整CNN训练模型，获取CNN故障诊断微调模型；S6：采用所述CNN故障诊断微调模型诊断所述目标域剩余样本，获取轴承故障诊断结果。2.根据权利要求1所述的一种基于CNN特征融合的小样本迁移学习故障诊断方法,其特征在于，所述根据所述原始振动信号和时频图像数据集构建特征融合的CNN模型，包括：采用标准卷积模块的ConvNeXt网络，提取所述时频像数据集的特征，其中，ConvNeXt网络的输入特征大小为224
×
224，输出特征尺寸为768
×
1；构建结合ECA
‑
Net的1D
‑
CNN网络结构，对原始振动信号进行特征提取，其中，所述1D
‑
CNN网络结构的输入的原始振动信号长度为1024，输出特征尺寸为96
×
1；将所提取到时频图像特征和原始振动信号特征进行融合，获取特征融合的CNN模型。3.根据权利要求2所述的一种基于CNN特征融合的小样本迁移学习故障诊断方法,其特征在于，所述1D
‑
CNN网络结构具体为：所述1D
‑
CNN网络由4个卷积层组成，每个卷积层中的卷积核数量分别为256、128、64和32，其中，第一个卷积层的卷积核大小为64，其余为3，步长均为1；在每个卷积层之后，均有一个最大池化层，其池化核大小为4
×
1，池化移动步长为4；并且卷积层和池化层均不进行填充操作；在网络的末端，添加两个全连接层，分别有96和10个神经元；在最后两个卷积层后增加ECA
‑
Net模块，此外，在每个卷积层后使用的非线性激活函数是缩放指数线性单元SeLu，分类层使用Softmax。4.根据权利要求3所述的一种基于CNN特征融合的小样本迁移学习故障诊断方法,其特征在于，所述卷积计算方法为：其中，为第i个神经元的输出，为第i个神经元的输入，f(
·
)为激活函数，ω
ij
【专利技术属性】
技术研发人员：于迪，傅海越，解志杰，詹昊，吕景亮，
申请(专利权)人：东北林业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。