System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机械产品零部件故障诊断领域,涉及了一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法。
技术介绍
1、机电设备关键零件的健康状态会影响设备的安全稳定运行。设备运行过程中,其关键零件极易发生磨损和表面损伤等故障,针对机电产品零件的故障诊断能为产线和设备极大减少维护和停机成本。机电产品零件的状态监测数据通常来源于零件健康阶段、故障产生和发展阶段以及失效阶段。零件全寿命周期的大部分时间处于健康状态,易采集得到大量的振动信号数据,但继续使用已经发生疲劳损伤的零件会对设备健康运转造成威胁,在实际工业产线中能收集到的零件故障信息大多为故障前期信息,故障样本量较为稀少,没有条件获取足够的带标签的训练样本。深度神经网络学习故障识别时需要足够的有标签故障数据提供监督信息,训练数据过少容易使网络过拟合,模型泛化性能较差。同时,稀少故障特征容易被噪声淹没,特征提取困难,故障诊断性能不佳;
2、针对故障数据稀少的问题,可以通过生成式方法实现故障数据的扩充。传统生成式方法多采用生成对抗网络进行伪样本的生成,但生成对抗网络往往存在收敛性差,时间成本高、模式崩溃,生成样本趋同、梯度消失,训练无法继续等问题。针对生成样本趋同问题,在判别器上应用特征投影和多判别器多尺度反馈,让判别器能均衡的利用所有可用信息;通过在模型上游任务中应用预训练技术,使生成对抗网络模型能够学习到更多的数据变化,从而提高其在测试集上的泛化能力,同时加速网络迭代速度。现有的预训练技术中,对比学习作为一种自监督学习策略,其核心思想是比较不同样本之间的相似性或差异
3、因此,专利技术一种针对现实工业生产中实际存在的少量故障样本导致的诊断方法泛化性差和准确率低问题,结合特征预学习与特征协同式生成方法,实现基于少量故障样本的准确故障诊断方法是非常重要的。
技术实现思路
1、针对
技术介绍
中提到的问题,本专利技术提出了一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,实现针对故障样本数量不足情况下的机电产品关键零件故障诊断,可广泛应用于稀缺样本机电产品零件故障诊断中。
2、为实现上述功能,本专利技术的技术方案如下:
3、s1:采集机电产品关键零件的振动监测信号,进而构建原始振动样本数据集;
4、s2:利用先验特征提取模块对原始振动样本数据集进行特征提取和筛选后,获得特征筛选后的先验特征子集;
5、s3:利用原始振动样本数据集和特征筛选后的先验特征子集对特征激励型故障样本扩增模块进行训练后,获得训练好的特征激励型故障样本扩增模块,从而获得训练好的生成器;
6、s4:将每个故障类型的原始振动样本输入到训练好的生成器中,获得故障类型下的扩增振动样本,由原始振动样本和对应的扩增振动样本组成最终的振动样本数据集;
7、s5:利用最终的振动样本数据集对故障诊断模型进行训练后,获得训练好的故障诊断模型;将待检测的振动样本输入到训练好的故障诊断模型中,输出获得对应的故障诊断结果。
8、所述机电产品关键零件的振动监测信号包括加速度计监测的水平与竖直两个方向的振动信号。
9、所述s2中,先验特征提取模块由特征提取模块和两阶段特征指标筛选模块相连组成,特征提取模块中提取输入的原始振动样本的多个时域特征和频域特征,获得原始先验特征集合;
10、两阶段特征指标筛选模块中,首先根据原始先验特征集合计算各特征之间费舍尔分数,基于费舍尔分数对特征进行初步筛选,获得故障敏感度高、判别性好的特征;接着计算各特征之间的皮尔森相关系数,基于皮尔森相关系数对初步筛选后的特征进行降序排列,保留区分度最高的特征记为基准特征,再计算初步筛选后的特征与基准特征之间的相关性,将相关性小于相关性阈值的特征保留,获得二次筛选后的特征并记为特征筛选后的先验特征子集。
11、所述时域特征包括均值、标准差、方根幅值、绝对平均值、偏度、峭度、方差、最大值、最小值和峰-峰值。
12、所述s3中,特征激励型故障样本扩增模块包括生成器g、特征预提取器f和判别器;特征筛选后的先验特征子集作为生成器g的输入,生成器g经特征预提取器f后与判别器相连,生成器g的输入还包括随机噪声和标签,原始振动样本数据集作为特征预提取器f的输入。
13、所述生成器g包括初始化模块、上采样模块和跳层特征激励模块skem;随机噪声和标签一起输入到初始化模块中,特征筛选后的先验特征子集均作为跳层特征激励模块skem的输入,每个初始化模块分别与第一上采样模块和第一跳层特征激励模块skem相连,第一上采样模块经第二上采样模块和第三上采样模块后与第四上采样模块相连,第四上采样模块与第一跳层特征激励模块skem相连,第一跳层特征激励模块skem与第五上采样模块相连,第一上采样模块和第五上采样模块均与第二跳层特征激励模块skem相连,第二跳层特征激励模块skem与第六上采样模块相连,第二上采样模块和第六上采样模块均与第三跳层特征激励模块skem相连,第三跳层特征激励模块skem与第七上采样模块相连,第三上采样模块和第七上采样模块均与第四跳层特征激励模块skem相连,第四跳层特征激励模块skem经第八上采样模块和第九上采样模块后与第十上采样模块相连,其中,初始化模块、第一上采样模块、第二上采样模块、第三上采样模块的输出均作为对应跳层特征激励模块skem的第二输入特征图,第四上采样模块、第五上采样模块、第六上采样模块、第七上采样模块的输出均作为对应跳层特征激励模块skem的第一输入特征图,第十上采样模块的输出记为扩增振动样本。
14、所述跳层特征激励模块skem包括第一自适应平均池化层、卷积层、激活层和线性层;跳层特征激励模块skem的第二输入特征图经第一自适应平均池化层、第一卷积层和第一激活层后与第二卷积层相连,特征筛选后的先验特征子集经第一线性层和第二激活层后与第二线性层相连,第二卷积层的输出和第二线性层的输出相加后输入到第三激活层中,跳层特征激励模块skem的第一输入特征图和第三激活层的输出相乘后的输出作为跳层特征激励模块skem的输出。
15、所述特征激励型故障样本扩增模块中,特征预提取器f和判别器均为四个,每个特征预提取器f由特征提取网络fθ和特征混合模块fmix相连组成,特征激励型故障样本扩增模块的输入作为第一特征预提取器f的输入,第一特征预提取器f的特征提取网络fθ的输出作为第二图特征预提取器f的特征提取网络fθ的输入,第二特征预提取器f的特征提取网络fθ的输出作为第三图特征预提取器f的特征提取网络fθ的输入,第三特征预提取器f的特征提取网络fθ的输出作为第四图特征预提取器f的特征提取网络fθ的输入,第四特征预提取器f的特征混合模块fmix的输出作为第四判别器的输入,第四特征预提取器f的特征混合模块f本文档来自技高网...
【技术保护点】
1.一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述机电产品关键零件的振动监测信号包括加速度计监测的水平与竖直两个方向的振动信号。
3.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述S2中,先验特征提取模块由特征提取模块和两阶段特征指标筛选模块相连组成,特征提取模块中提取输入的原始振动样本的多个时域特征和频域特征,获得原始先验特征集合;
4.根据权利要求3所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述时域特征包括均值、标准差、方根幅值、绝对平均值、偏度、峭度、方差、最大值、最小值和峰-峰值。
5.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述S3中,特征激励型故障样本扩增模块包括生成器G、特征预提取器F和判别器;特征筛选后的先验特征子集作为生成器G的输入,生成器G经特征预提取器F后
6.根据权利要求5所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述生成器G包括初始化模块、上采样模块和跳层特征激励模块SKEM;随机噪声和标签一起输入到初始化模块中,特征筛选后的先验特征子集均作为跳层特征激励模块SKEM的输入,每个初始化模块分别与第一上采样模块和第一跳层特征激励模块SKEM相连,第一上采样模块经第二上采样模块和第三上采样模块后与第四上采样模块相连,第四上采样模块与第一跳层特征激励模块SKEM相连,第一跳层特征激励模块SKEM与第五上采样模块相连,第一上采样模块和第五上采样模块均与第二跳层特征激励模块SKEM相连,第二跳层特征激励模块SKEM与第六上采样模块相连,第二上采样模块和第六上采样模块均与第三跳层特征激励模块SKEM相连,第三跳层特征激励模块SKEM与第七上采样模块相连,第三上采样模块和第七上采样模块均与第四跳层特征激励模块SKEM相连,第四跳层特征激励模块SKEM经第八上采样模块和第九上采样模块后与第十上采样模块相连,其中,初始化模块、第一上采样模块、第二上采样模块、第三上采样模块的输出均作为对应跳层特征激励模块SKEM的第二输入特征图,第四上采样模块、第五上采样模块、第六上采样模块、第七上采样模块的输出均作为对应跳层特征激励模块SKEM的第一输入特征图,第十上采样模块的输出记为扩增振动样本。
7.根据权利要求6所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述跳层特征激励模块SKEM包括第一自适应平均池化层、卷积层、激活层和线性层;跳层特征激励模块SKEM的第二输入特征图经第一自适应平均池化层、第一卷积层和第一激活层后与第二卷积层相连,特征筛选后的先验特征子集经第一线性层和第二激活层后与第二线性层相连,第二卷积层的输出和第二线性层的输出相加后输入到第三激活层中,跳层特征激励模块SKEM的第一输入特征图和第三激活层的输出相乘后的输出作为跳层特征激励模块SKEM的输出。
8.根据权利要求5所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述特征激励型故障样本扩增模块中,特征预提取器F和判别器均为四个,每个特征预提取器F由特征提取网络fθ和特征混合模块fmix相连组成,特征激励型故障样本扩增模块的输入作为第一特征预提取器F的输入,第一特征预提取器F的特征提取网络fθ的输出作为第二图特征预提取器F的特征提取网络fθ的输入,第二特征预提取器F的特征提取网络fθ的输出作为第三图特征预提取器F的特征提取网络fθ的输入,第三特征预提取器F的特征提取网络fθ的输出作为第四图特征预提取器F的特征提取网络fθ的输入,第四特征预提取器F的特征混合模块fmix的输出作为第四判别器的输入,第四特征预提取器F的特征混合模块fmix的输出还作为第三特征预提取器F的特征混合模块fmix的输入,第三特征预提取器F的特征混合模块fmix的输出作为第三判别器的输入,第三特征预提取器F的特征混合模块fmix的输出还作为第二特征预提取器F的特征混合模块fmix的输入,第二特征预提取器F的特征混合模块fmix的输出作为第二判别器的输入,第二特征预提取器F的特征混合模块fmix的输出还作为第一特征预提取器F的特征混合模块fmix的输入,第一特征预提取器F的特征混合模块fmix的输出作为第二判别器的输入,对四个判别器的输出取平均后再作为判别器的最终输出。<...
【技术特征摘要】
1.一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述机电产品关键零件的振动监测信号包括加速度计监测的水平与竖直两个方向的振动信号。
3.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述s2中,先验特征提取模块由特征提取模块和两阶段特征指标筛选模块相连组成,特征提取模块中提取输入的原始振动样本的多个时域特征和频域特征,获得原始先验特征集合;
4.根据权利要求3所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述时域特征包括均值、标准差、方根幅值、绝对平均值、偏度、峭度、方差、最大值、最小值和峰-峰值。
5.根据权利要求1所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述s3中,特征激励型故障样本扩增模块包括生成器g、特征预提取器f和判别器;特征筛选后的先验特征子集作为生成器g的输入,生成器g经特征预提取器f后与判别器相连,生成器g的输入还包括随机噪声和标签,原始振动样本数据集作为特征预提取器f的输入。
6.根据权利要求5所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述生成器g包括初始化模块、上采样模块和跳层特征激励模块skem;随机噪声和标签一起输入到初始化模块中,特征筛选后的先验特征子集均作为跳层特征激励模块skem的输入,每个初始化模块分别与第一上采样模块和第一跳层特征激励模块skem相连,第一上采样模块经第二上采样模块和第三上采样模块后与第四上采样模块相连,第四上采样模块与第一跳层特征激励模块skem相连,第一跳层特征激励模块skem与第五上采样模块相连,第一上采样模块和第五上采样模块均与第二跳层特征激励模块skem相连,第二跳层特征激励模块skem与第六上采样模块相连,第二上采样模块和第六上采样模块均与第三跳层特征激励模块skem相连,第三跳层特征激励模块skem与第七上采样模块相连,第三上采样模块和第七上采样模块均与第四跳层特征激励模块skem相连,第四跳层特征激励模块skem经第八上采样模块和第九上采样模块后与第十上采样模块相连,其中,初始化模块、第一上采样模块、第二上采样模块、第三上采样模块的输出均作为对应跳层特征激励模块skem的第二输入特征图,第四上采样模块、第五上采样模块、第六上采样模块、第七上采样模块的输出均作为对应跳层特征激励模块skem的第一输入特征图,第十上采样模块的输出记为扩增振动样本。
7.根据权利要求6所述的一种数据稀缺下基于特征激励型样本扩增的零件故障诊断方法,其特征在于,所述...
【专利技术属性】
技术研发人员:刘振宇,杨宵祺,董子晗,刘惠,辛小鹏,谭建荣,
申请(专利权)人:浙江大学,
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。