[发明专利]基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法

权利要求书

1.一种基于有监督对比学习和卷积神经网络的滚动轴承故障诊断方法，其特征是按如下步骤进行：

步骤1.利用加速度振动传感器采集A种工况下的正常类型和B-1类故障类型的滚动轴承的振动信号集合，记为X＝{X₁,X₂,...,X_i,...X_A}，X_i表示第i类工况的振动信号样本集合，1≤i≤A，并有：X_i＝{X_i1,X_i2,...X_ij,…X_iB}，X_ij表示第i类工况下第j类振动信号样本集合；1≤j≤B，并有表示第i类工况下第j类振动信号样本集合中的第m个样本；1≤m≤C，C表示第i类工况下第j类振动信号的样本数，且为L×1维向量，L表示振动信号长度；

步骤2.对振动信号集合X中所有样本依次进行去除直流操作、小波降噪操作、快速傅里叶变换操作后得到预处理后的一维频谱信号集合表示第i类工况下第j类振动信号样本集合中的第m个频谱信号，且长度降为L/2；

步骤3.构建对比学习模型；

步骤3.1.构建一维卷积神经网络作为故障特征提取器；

所述故障特征提取器包含n个一维卷积层，f个批归一化层、f个激活层、f-1个最大化池化层和1个平均池化层；并由若干个卷积层后依次连接1个批归一化层、1个RELU激活层和1个最大池化层构成1个block块，从而组成多个block块，其中最后1个block块中采样平均池化层；

将所述一维频谱信号集合输入所述故障特征提取器中，并输出L₁×1维故障特征集合表示第i类工况下第j类振动信号样本集合中第m个频谱信号的故障特征；

步骤3.2.构建多层感知器作为特征映射器；

所述特征映射器是由2个全连接层和1个激活层组成；

将所述L₁×1维故障特征集合输入所述特征映射器中，并输出L₂×1维映射特征集合表示第i类工况下第j类振动信号样本集合中第m个频谱信号的映射特征；

步骤3.3.构建一个分类器，并将所述L₂×1维映射特征集合输入所述分类器中，输出L₃×1维分类结果集合表示第i类工况下第j类振动信号样本集合中第m个频谱信号的分类结果；

步骤4.在所述一维频谱信号集合下使用有监督实例对比学习方法训练故障特征提取器；

步骤4.1.对第m个频谱信号进行随机数据增强得到增强后的第m个频谱信号

步骤4.2.从所述一维频谱信号集合中选取一批数量为N的频谱信号样本{S¹,S²,...,S^N}及其对应的增强后的频谱信号样本{S′¹,S′²,...,S′^N}和对应的类别{y₁,y₂,…y_N}输入故障特征提取器中，得到L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}；S^N表示一批中的第N个频谱信号样本，S′^N表示一批中增强后的第N个频谱信号样本，T^N表示第N个频谱信号样本的故障特征；

将所述L₁×1维的故障特征集合{T¹,T²,...,T^N,...,T^2N}输入所述特征映射器中，得到L₂×1维的映射特征{Z¹,Z²,...,Z^N,...,Z^2N}，Z^N表示第N个频谱信号样本的故障特征；

步骤4.3.利用式(1)构建一批数据的有监督对比总损失函数L^sup：

式(1)中，表示第r个频谱信号样本的损失，并有：

式(2)中，|代表条件符号，代表以当前第r个频谱信号样本S^r作为锚样本的标签，代表其他样本S^e的标签；是原始N个样本中与锚样本S^r具有相同标签的数据个数，也包括S^r本身；表示考虑一批原始样本和增强样本中所有与锚样本S^r具有相同标签的数据个数，但不包括S^r自身；exp(Z^r·Z^e/t)表示第r个映射特征Z^r与同类别的第e个映射特征Z^e的点积结果；表示第r个映射特征Z^r与一批2N样本中不包括Z^r的所有映射特征的点积和，t是点积温度参数；

步骤4.4.基于有监督对比总损失函数L^sup，使用有监督对比学习方法对故障特征提取器进行迭代训练，得到训练好的故障特征提取器；

步骤5.从所述一维频谱信号集合中选取另外一批频谱信号样本并输入训练好的特征提取器，得到新的故障特征集合；

将所述新的故障特征集合输入到所述分类器中，得到新的分类结果；

根据所述新的分类结果计算有监督交叉熵损失函数，用于反向训练所述分类器，得到训练好的分类器；

将所述训练好的特征提取器和训练好的分类器组成滚动轴承故障诊断模型用于实现滚动轴承的故障诊断。