【技术实现步骤摘要】
本申请涉及旋转设备故障诊断，特别涉及一种基于元学习的滚动轴承故障诊断方法、系统及设备。
技术介绍
1、滚动轴承是机械轴承中最常用的一类，在飞机、车辆、生产机械、风力发电机组等各种关键设备中应用广泛，是许多具有旋转设备的物理系统重要组成部分。在工作过程中，由于润滑油污染、过载、高温等各种原因，轴承可能容易损坏，从而导致效率降低甚至严重的经济和安全损失。
2、现有的故障诊断方法一般分为两大类：基于模型的方法和基于数据驱动的方法。基于模型的方法往往需要大量的先验知识，而基于数据驱动方法则可以有效、快速地处理机械信号，在对先验知识要求较低的情况下提供准确的诊断结果。特别是由于近年来深度学习的不断发展，很多端到端的故障诊断模型被提出，省去了人工提取特征的步骤。
3、然而，考虑到模型参数的规模，训练深度学习模型通常需要大量的数据。由于实际故障并不经常发生，故障状态数据的大小有限，因此数据驱动的故障诊断通常被视为小样本学习问题，这使得深度学习模型的训练变得困难。此外，当工况发生变化时，模型的泛化能力也会受到影响。
技术实现思路
1、本申请实施例要达到的技术目的是提供一种基于元学习的滚动轴承故障诊断方法、系统及设备，用以解决当前对于滚动轴承故障判断存在小样本学习训练困难且影响模型泛华能力的问题。
2、为解决上述技术问题，本申请实施例提供了一种基于元学习的滚动轴承故障诊断方法，包括：
3、对获取到的至少一个滚动轴承的历史振动信号取样，并进行连续小波变换
4、根据目标预选集合中各时频图对应的滚动轴承状态，确定多个支持集和查询集，所述目标预选集合为根据预设比例，将所述时频图集合划分后的预选训练集、预选验证集和预选测试集；
5、分别将所述目标预选集合中的一个所述支持集和对应一个所述查询集组成一条样本数据，确定所述目标预选集合对应的目标训练集、目标验证集或目标测试集；
6、构建初始原型vit网络模型，并基于所述目标训练集、所述目标验证集和所述目标测试集得到目标模型；
7、将获取到的目标滚动轴承的当前振动信号，进行连续小波变换处理，得到目标时频图；
8、将所述目标时频图输入所述目标模型，得到所述目标滚动轴承对应的当前滚动轴承状态。
9、具体地，如上所述的方法，所述对获取到的至少一个滚动轴承的历史振动信号取样，并进行连续小波变换处理，得到时频图集合，包括：
10、以预设数量的数据点为一个样本，将所述历史振动信号划分为多个采集样本；
11、基于预设小波基函数分别对所述采集样本进行连续小波变换，得到各所述采集样本对应的时频图，以及包括所述时频图的时频图集合。
12、具体地，如上所述的方法，所述滚动轴承状态包括：正常状态、外圈故障状态、滚动体故障状态和内圈故障状态，且根据故障尺寸还分别将所述外圈故障状态、所述滚动体故障状态和所述内圈故障状态各划分为三种子状态。
13、具体地，如上所述的方法，所述根据目标预选集合中各时频图对应的滚动轴承状态，确定多个支持集和查询集，包括：
14、从所述目标预选集合所有的所述滚动轴承状态中随机选取第一数量的预选状态，并在各所述预选状态对应的所述时频图中随机选取第二数量的第一时频图，构成一个支持集，所述预选状态为所述滚动轴承状态中的任意一种；
15、从各所述预选状态对应的剩余时频图中，随机选取第三数量的第二时频图，构成一个查询集。
16、具体地，如上所述的方法，所述构建初始原型vit网络模型，并基于所述目标训练集、所述目标验证集和所述目标测试集得到目标模型，包括：
17、构建所述初始原型vit网络模型，并基于所述训练集对所述初始原型vit网络模型进行训练得到第一预选模型；
18、根据所述验证集对所述第一预选模型的超参数进行调整，得到第二预选模型；
19、根据所述测试集对所述第二预选模型进行评估，若评估通过，则确定所述第二预选模型为所述目标模型，否则，将所述第二预选模型作为所述初始原型vit网络模型，并返回执行所述基于所述训练集对所述初始原型vit网络模型进行训练得到第一预选模型的步骤。
20、具体地，如上所述的方法，所述构建所述初始原型vit网络模型，并基于所述训练集对所述初始原型vit网络模型进行训练得到第一预选模型，包括：
21、基于所述初始原型vit网络模型提取所述时频图中的特征向量；
22、基于所述特征向量以及原型网络的训练方式对所述初始原型vit网络模型进行训练，得到所述第一预选模型。
23、优选地，如上所述的方法，所述初始原型vit网络模型包括：一个输入层、一个嵌入层、一个编码器层和一个输出层；
24、其中，所述输入层的输入为预处理后的时频图像；
25、所述嵌入层包括一个卷积层，所述卷积层具有预设卷积核大小和预设步长；
26、所述编码器层包括多头自注意力机制和线性前馈层，并通过残差连接；
27、所述输出层的输出是每个所述时频图的特征集合。
28、具体地，如上所述的方法，基于所述特征向量以及原型网络的训练方式对所述初始原型vit网络模型进行训练，得到所述第一预选模型，包括：
29、在当前训练下，分别获取所述样本数据中各所述滚动轴承状态对应的原型特征向量，所述原型特征向量为所述支持集中各所述滚动轴承状态下所有时频图对应的所述特征向量进行求平均操作后的向量；
30、根据所述原型特征向量以及所述查询集中的各待分类时频图对应的特征向量，确定所述待分类时频图与各所述原型特征向量的距离；
31、根据所述距离以及softmax激活函数，确定各所述待分类时频图对应的目标状态；
32、根据所述查询集中各所述待分类时频图对应的真实状态和所述目标状态，确定本次训练的损失函数；
33、基于所述损失函数对所述初始原型vit网络模型原型网络中的网络参数进行更新；
34、若达到预设训练次数时，则确定更新后的所述初始原型vit网络模型为所述第一预选模型，否则，进行下一次训练。
35、本申请的另一实施例提供了一种基于元学习的滚动轴承故障诊断系统，包括：
36、第一处理模块，用于对获取到的至少一个滚动轴承的历史振动信号取样，并进行连续小波变换处理，得到时频图集合；
37、第二处理模块，用于根据目标预选集合中各时频图对应的滚动轴承状态，确定多个支持集和查询集，所述目标预选集合为根据预设比例，将所述时频图集合划分后的预选训练集、预选验证集和预选测试集；
38、第三处理模块，用于分别将所述目标预选集合中的一个所述支持集和对应一个所述查询集组成一条样本数据，确定所述目标预选集合对应的目标训练集、目标验证集或目标测试集；
39、第四处理模块，用于构建初始原型v本文档来自技高网...
【技术保护点】
1.一种基于元学习的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对获取到的至少一个滚动轴承的历史振动信号取样，并进行连续小波变换处理，得到时频图集合，包括：
3.根据权利要求1所述的方法，其特征在于，所述滚动轴承状态包括：正常状态、外圈故障状态、滚动体故障状态和内圈故障状态，且根据故障尺寸还分别将所述外圈故障状态、所述滚动体故障状态和所述内圈故障状态各划分为三种子状态。
4.根据权利要求3所述的方法，其特征在于，所述根据目标预选集合中各时频图对应的滚动轴承状态，确定多个支持集和查询集，包括：
5.根据权利要求1所述的方法，其特征在于，所述构建初始原型VIT网络模型，并基于所述目标训练集、所述目标验证集和所述目标测试集得到目标模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述构建所述初始原型VIT网络模型，并基于所述训练集对所述初始原型VIT网络模型进行训练得到第一预选模型，包括：
7.根据权利要求1、5或6所述的方法，其特征在于，所述初始原型VIT网络模型
8.根据权利要求6所述的方法，其特征在于，所述基于所述特征向量以及原型网络的训练方式对所述初始原型VIT网络模型进行训练，得到所述第一预选模型，包括：
9.一种基于元学习的滚动轴承故障诊断系统，其特征在于，包括：
10.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至8中任一项所述的基于元学习的滚动轴承故障诊断方法的步骤。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的基于元学习的滚动轴承故障诊断方法的步骤。
12.一种计算机程序产品，其特征在于，包括计算机指令，该计算机指令被处理器执行时实现如权利要求1至8中任一项所述的基于元学习的滚动轴承故障诊断方法的步骤。
...【技术特征摘要】
1.一种基于元学习的滚动轴承故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对获取到的至少一个滚动轴承的历史振动信号取样，并进行连续小波变换处理，得到时频图集合，包括：
3.根据权利要求1所述的方法，其特征在于，所述滚动轴承状态包括：正常状态、外圈故障状态、滚动体故障状态和内圈故障状态，且根据故障尺寸还分别将所述外圈故障状态、所述滚动体故障状态和所述内圈故障状态各划分为三种子状态。
4.根据权利要求3所述的方法，其特征在于，所述根据目标预选集合中各时频图对应的滚动轴承状态，确定多个支持集和查询集，包括：
5.根据权利要求1所述的方法，其特征在于，所述构建初始原型vit网络模型，并基于所述目标训练集、所述目标验证集和所述目标测试集得到目标模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述构建所述初始原型vit网络模型，并基于所述训练集对所述初始原型vit网络模型进行训练得到第一预选模型，包括：
7.根据权利要求1、5...
【专利技术属性】
技术研发人员：刘欣，黄怡，宫琳，项溪，谢剑，刘敏霞，
申请(专利权)人：北京理工大学，
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。