【技术实现步骤摘要】
本专利技术属于机械故障诊断，具体是一种小样本下基于时频域对比学习的轴承故障诊断方法，能够在小样本条件下进行有效的故障分类。
技术介绍
1、工程中恶劣的工作环境和复杂的设备结构导致旋转设备有较高的故障率。故障一旦发生，往往难以及时有效地排除，安全和经济效益受到很大影响。近年来，随着现代制造业向数字化、智能化的方向快速发展，机械设备的智能运维与健康管理技术也得到了显著提升。深度学习作为一种强大的智能诊断工具，能够自动从海量数据中提取复杂特征，并在复杂机械系统的故障诊断中表现出卓越的准确性和鲁棒性。与传统的人工特征提取方法相比，深度学习不仅能够处理高维和多样化的数据，还可以通过其多层网络结构捕捉数据中的非线性关系和潜在特征，使得故障诊断的智能化水平显著提高。
2、然而，在实际的工业应用中，获取足够的标签故障数据仍然面临巨大挑战。许多企业的机械设备在正常运行时，故障数据稀缺，且故障数据的收集和标注成本高昂。尤其是在面对复杂或新型设备时，故障发生频率低，导致数据匮乏严重限制了传统有监督学习方法的应用。此外，数据不足的情况使得模型训练难度增加，通常无法在小样本情况下达到理想的故障分类效果。
3、为应对现有技术中标记样本不足带来的挑战，本专利技术提出了一种适用于小样本场景的基于时频域对比学习的故障诊断方法。该方法利用对比学习技术在无标签数据上进行预训练，充分挖掘时间域和频率域特征之间的对比一致性，从而增强模型的泛化能力和鲁棒性。通过在预训练阶段提取深层次的时频特征，模型在后续的微调过程中大大减少了对大量标记数据的依赖，
技术实现思路
1、针对上述问题，本专利技术公开了一种小样本下基于时频域对比学习的轴承故障诊断方法。本专利技术的目的在于提供一种时频域对比学习模型构建方法，从而可以解决小样本数据条件下的轴承故障分类和诊断问题。
2、小样本下基于时频域对比学习的轴承故障诊断方法，所述方法包括如下步骤：
3、s1：采集滚动轴承振动加速度信号，并对采集到的信号进行预处理；
4、s2：构建时频域对比学习预训练故障诊断的网络模型；
5、s3：设计对比学习损失函数；
6、s4：模型微调与分类；
7、s5：性能评估。
8、进一步地，步骤s1具体为：
9、s1-1：对滚动轴承实际运行过程中的实测信号以及不同工况条件参数监测并获取实测振动数据x(t)；
10、s1-2：对部分实测数据进行标记，形成有标签数据集x(t)。接着，将标记后的有标签数据集划分为微调训练集xt(t)和测试集xv(t)，用于模型的微调训练和性能评估。
11、进一步地，步骤s2具体为：
12、s2-1：构建时间域编码器(gt)
13、时间域编码器(gt)首先将时间序列数据x(t)作为输入，通过多层卷积提取时间域特征ht，同时结合残差连接来提升深层网络的梯度传播能力。编码器还结合多种数据增强方法(如抖动、缩放等)生成不同的增强视图，使模型能够更好地适应多样化的输入，提升对噪声的抵抗能力和泛化能力。
14、s2-1-1：输入时间序列数据
15、输入为时间序列数据x(t)，代表轴承振动信号在时间域中的原始数据。输入数据的维度为t×d，其中t是时间序列的长度，d是信号的通道数。输入数据可以是单通道或多通道，具体取决于信号的复杂性。
16、s2-1-2：构建卷积层与残差连接
17、时间域编码器使用多个卷积层提取时间序列的特征。每个卷积层通过卷积核w(l)和偏置项b(l)进行计算，捕捉局部时间序列模式。第l层的输出计算公式为：
18、
19、其中，当l＝1时x(l)＝x(t)，×表示卷积操作，relu是激活函数。每个卷积层之后，使用池化层对特征图进行下采样，以减小特征图的尺寸，保留最显著的特征。假设使用最大池化，池化层的输出为：
20、
21、为了提高模型的特征提取能力，时间域编码器采用残差连接，允许跨层传递特征，以捕捉时间序列中的复杂变化。假设第l层卷积的输入为经过卷积和池化后的输出为pi(l)，残差连接的输出为：
22、
23、残差连接允许在深层网络中更好地传播梯度，防止梯度消失，并且能够捕捉复杂的时间序列变化。编码器的输出是时间域特征向量ht，它是经过多层卷积和池化操作后的低维表示。经过l层卷积和池化后的输出为：
24、
25、s2-1-3：多视图数据增强机制
26、时间域编码器结合了多种数据增强方法，如抖动、缩放、时间偏移和邻域分段等。数据增强通过对时间序列数据x(t)进行随机扰动，生成多个不同的视图通过相同的卷积网络进行处理，生成增强的时间域特征向量：
27、
28、这种增强机制使得模型能够更好地适应多样化的输入数据，提高其对噪声的抵抗能力和泛化能力。
29、s2-2：构建频率域编码器(gf)
30、频率域编码器(gf)首先将时间序列数据x(t)转换为频率域表示x(f)，利用频域分析的优势提取轴承振动信号的频率特征hf，即与时间域编码器类似，频率域编码器通过多层卷积提取特征，并结合残差连接和多种数据增强技术，以增强模型的特征提取能力、泛化能力以及对噪声的鲁棒性。
31、s2-2-1：输入频率域数据
32、使用时间序列数据x(t)进行快速傅里叶变换生成频谱数据x(f)，并将x(f)作为频率域数据输入，输入数据的维度为n×d，其中n表示频率点的数量。不同于时间域的信号表示，频率域的数据能够反映出振动信号中的频率成分及其能量分布。
33、s2-2-2：构建卷积层与残差连接
34、频率域编码器(gf)与步骤s2-1-2中时间域编码器(gt)使用相同的卷积层和残差连接，其计算公式可以表示为：
35、fi(l)＝relu(w(l)×fi(l-1)+b(l))
36、pi(l)＝maxpool(fi(l))
37、ri(l)＝pi(l)+fi(l-1)
38、
39、其中，当l＝1时f(l)＝x(f)。
40、s2-2-3：多视图数据增强机制
41、频率域编码器(gf)结合了多种频域数据增强方法，如频谱抖动、频率缩放、带通滤波和频段移位等。这些增强方法通过对频率域数据x(f)进行随机扰动，生成多个增强视图，然后通过相同的卷积网络处理，生成不同的增强频率域特征向量：
42、
43、这种多视图增强机制能够增强模型对不同频率特征的敏感性，使其适应频率域中不同噪声条件下的数据输入，提升对噪声的抵抗能力和泛化能力。
44、s2-3：构建域投影器(r)
本文档来自技高网...【技术保护点】
1.小样本下基于时频域对比学习的轴承故障诊断方法，其特征在于，所述方法包括如下步骤：
【技术特征摘要】
1.小样本下基于时频域对比学习的轴承故障诊...
【专利技术属性】
技术研发人员：巩晓赟，魏亚格，杜文辽，李川，高艺源，赵斌斌，王宏超，田淑侠，
申请(专利权)人：郑州轻工业大学，
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。