[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

说明书

本发明公开了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，其步骤包括：采集不同工况下滚动轴承无故障和故障振动信号，并进行数据预处理后转换成一维频谱作为数据集；训练时对数据进行数据增强扩充样本，利用有监督对比损失训练特征提取器，并利用有监督交叉熵损失训练分类器；组合特征提取器和分类器，进行故障诊断。本发明能有效的解决数据类别间特征互信息利用不充分和样本不足的问题，同时提升使用卷积神经网络在工况变化和工况不变的情况下对于振动信号故障诊断能力。

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于有监督对比的学习和卷积神经网络的滚动轴承故障诊断方法。

背景技术

滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦，从而减少摩擦损失的一种精密的机械元件。滚动轴承一般由内圈、外圈、滚动体和保持架四部分组成.滚动轴承常见的故障包括内圈，外圈，滚动体，内外圈混合故障等。

传统技术主要通过采集轴承振动信号，一方面因为可采集的故障信号比较少；另一方面利用传统标签监督学习方法训练卷积网络提取特征，没有充分利用相同类别和不同类别数据之间特征的互信息，因此网络需要学习数据尽可能多的特征，其中相当一部分是冗余特征，这也使得模型对数据的要求很高，抗噪性很差，泛化和迁移能力不足，也就是说当测试数据所在域发生一些变化时，准确率会受很大影响，难以运用于实际情况。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出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，以期能更加合理地扩充样本，充分利用相同类别数据和不同类别数据之间存在的特征互信息训练得到特征提取能力和泛化能力更优的卷积神经网络模型来实现滚动轴承故障诊断，从而更好地提取振动信号的特征，以提高在工况不变和工况变化的情况下的振动故障的诊断准确率。

本发明为达到上述发明目的，采用如下技术方案：

本发明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的特点是按如下步骤进行：

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，m个批归一化层、m个激活层、m-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；