【技术实现步骤摘要】
本专利技术属于工程机械故障诊断与健康管理，具体涉及一种机理与数据融合驱动的小样本滚动轴承故障诊断方法。
技术介绍
1、旋转机械是现代工业中应用最广泛的设备之一，需要有效的故障诊断技术来保障其可靠性和稳定运行。滚动轴承作为旋转机械的核心部件，其故障直接影响设备的性能。因此，对滚动轴承进行故障诊断具有重要意义。随着传感器技术和大数据挖掘的发展，数据驱动的故障诊断方法在工业设备中得到了广泛的应用。但数据驱动方法往往是建立在数据充足的基础上实现的，模型的性能受训练过程数据量的影响较大。但在实际工业场景中，很难采集到充足且可用(能够表征物理对象内部系统状态)的数据。目前，通常采用基于机理模型的仿真数据或基于数据驱动模型的生成数据来进行数据增强，但这种小样本数据增强的方法依然存在数据质量不高的局限性。
2、由于机理模型能够有效的反映物理对象系统内部的物理特性，使得用仿真数据来补充真实数据的不足成为可能。例如，采用基于有限元模型仿真的故障诊断网络，可以获得大量不同类型和条件下的故障数据以弥补缺乏的故障样本，以提高诊断模型的精度。数字孪生作为物理实体的高保真映射模型，已在故障诊断与预测领域开展了大量的研究与应用探索。例如，通过构建包含多属性(几何-物理-行为和规则)的数字孪生模型，可以仿真得到不同工况下的故障数据。
3、与机理模型模拟得到仿真数据不同，数据生成通常是采用生成对抗网络(gans)及其改进的方法，以生成与真实数据具有相似分布的假数据。但原始的gans模型可能无法得到高质量的生成数据，许多学者采用其改进方法以提
4、但是，无论是基于机理模型的仿真数据，还是基于gans及其衍生模型的生成数据，与真实数据的分布均存在一定的差异性。因此，当面向小样本滚动轴承故障诊断的研究时，主要存在以下问题。
5、(1)在基于动力学机理的数字孪生模型构建过程中，往往需要对模型进行简化和近似，难以建立精准的数字孪生模型。这使得仿真数据与真实数据之间的分布存在差异，将导致滚动轴承故障诊断模型的诊断结果存在误差和不准确。
6、(2)对于生成对抗网络，采用随机噪声作为生成器模型的输入。但由于随机噪声不具备物理意义，以随机噪声作为生成器模型的输入，可能导致生成的数据质量不稳定，易生成不符合期望的数据。
技术实现思路
1、为解决上述问题，本专利技术公开了一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，以克服在故障数据不足条件下难以实现故障模式精准识别的问题。该方法主要包括：步骤1，故障仿真数据获取：构建基于动力学机理的滚动轴承数字孪生模型，以获取设定故障工况下的仿真数据；步骤2，数据生成模型构建：构建条件信息约束下的深度卷积生成对抗网络结构的生成器模型和判别器模型；步骤3，小样本数据增强：将数字孪生模型得到的仿真信号代替随机噪声作为生成器模型的输入，以生成符合物理机理的数据，并用于扩充小样本数据；步骤4，故障诊断模型构建：基于卷积神经网络建立故障诊断模型；步骤5，基于数据增强的故障诊断：基于增强后的数据作为故障诊断模型的训练样本，使得故障诊断模型可以充分学习训练样本中所包含的故障特征信息，从而提升小样本条件下的滚动轴承故障诊断精度。
2、本专利技术采取以下技术方案实现的：一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，包括如下步骤:
3、步骤1，故障仿真数据获取：构建基于动力学机理的滚动轴承数字孪生模型，以获取设定故障工况下的仿真数据；
4、步骤2，数据生成模型构建：构建条件信息约束下的深度卷积生成对抗网络结构的生成器模型和判别器模型；
5、步骤3，小样本数据增强：将数字孪生模型得到的仿真信号代替随机噪声作为生成器模型的输入，以生成符合物理规律且与真实信号具有相似分布的生成数据，并利用生成数据扩充原始训练样本；
6、步骤4，故障诊断模型构建：基于卷积神经网络的建立故障诊断模型，用于故障模式识别；
7、步骤5，基于数据增强的故障诊断：采用步骤3中基于生成数据扩充后的训练样本训练步骤4所构建的故障诊断模型，并采用小样本条件下的真实数据作为测试样本，完成故障模式的识别。
8、进一步的，所述步骤1的故障仿真数据获取，详细过程如下：
9、步骤2.1，建立基于动力学机理的数字孪生模型，微分方程如下：
10、
11、其中，m1，m2，m3分别表示内圈、外圈和单元谐振器的质量；c1，c2，c3分别滚动轴承内圈、外圈和单元谐振器的阻尼系数；k1，k2，k3分别表示滚动轴承内圈、外圈和单元谐振器的刚度；x1、x2、x3分别是滚动轴承内圈、外圈和单元谐振器在水平方向的绝对位移；y1、y2、y3分别是滚动轴承内圈、外圈和单元谐振器在竖直方向上的绝对位移；f是施加在内圈山的外部径向载荷；fx和fy为滚动轴承非线性接触力在径向水平和垂直方向的分量，详细计算过程如下：
12、
13、其中，i表示第i个滚珠个数，i＝1,2,…,n；λi表示当接触弹性变形小于等于0时，滚动体与滚道不接触，无接触弹性变形，取值为0；当接触弹性变形大于0时，接触弹性变形取值为1。δi是第i个滚珠的总接触变形是内外圈相对位移、第i个滚珠的角位置θi和滚动轴承径向游隙η的函数，具体表示为：
14、 δi＝(x1-x2)cosθi+(y1-y2)sinθi-η (3)
15、第i个滚珠的角位置θi可以表示为
16、
17、其中，n表示滚珠总个数；dt是时间间隔，θ0是保持架的初始角位置，ω为保持架角速度，计算如下：
18、
19、其中，d表示滚珠直径；dm表示节圆直径；v为轴的转速。
20、步骤2.2，故障建模，详细如下：
21、内外圈损伤引起的第i个滚动体角位置径向变形量μ为：
22、
23、其中，损伤角位置θd＝ωt+θ0，θ0是损伤初始角位置；对于外圈固定，θd＝θ0；θl表示外圈损伤宽度；而内圈损伤θh随轴一起旋转位置不断改变，所以损伤角位置是时间的函数。
24、对于滚动体自转一周分别与滚动轴承内外圈各接触一次，所以对于第i个滚动体损伤引起的角位置径向变形量为：
25、
26、其中，滚动体损伤角位置θd＝mod(ωst+θ0,2π)，其中ωs为滚动体的自转角速度：
27、
28、其中，α表示接触角。
【技术保护点】
1.一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，所述步骤1的故障仿真数据获取，详细过程如下：
3.根据权利要求1所述的一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，所述步骤3的小样本数据增强，详细过程如下：
4.根据权利要求1所述的一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，所述步骤5基于数据增强的故障诊断实施方法如下：
【技术特征摘要】
1.一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种机理与数据融合驱动的小样本滚动轴承故障诊断方法，其特征在于，所述步骤1的故障仿真数据获取，详细过程如下：
3.根据权利要求1...
【专利技术属性】
技术研发人员：朱永怀，杨聪彬，刘志峰，张彩霞，刘亚东，李迎，
申请(专利权)人：北京工业大学，
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。