[发明专利]一种基于单样本学习的电机轴承故障诊断方法

说明书

本发明公开了一种基于单样本学习的电机轴承故障诊断方法，属于计算机技术领域，包括以下步骤：设置每类不同样本数量和添加不同噪声强度；对已有的电机轴承一维振动信号进行数据扩充；将处理后的数据作为输入送入网络中进行训练和网络参数迭代更新；对测试样本进行故障诊断从而判别模型性能。本发明基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点。

技术领域

本发明涉及计算机技术领域，具体涉及一种基于单样本学习的电机轴承故障诊断方法。

背景技术

随着技术和科学的快速发展，现代工业机械设备越来越功能复杂。旋转机械是现代工业应用中最重要的设备之一。滚动元件轴承，也被称为滚动轴承，是旋转机械的常见部件，滚动轴承故障会影响旋转机械的正常运行，造成严重的设备损坏和经济成本，有时甚至造成人员伤亡。许多研究表明，40-50％的旋转机械故障是直接由滚动轴承故障直接引起的。因此，有效、快速、准确地诊断滚动轴承状态尤为重要，这个问题在前几年引起了研究人员和工程师的高度关注。

基于轴承振动信号的轴承故障诊断一般可分为两部分：特征提取和分类。但是并非所有的特征都对诊断有用，许多特征不仅增加了计算负担也会降低故障分类的精度。所以，之前大多数方法采用一些流行的降维方法包括独立成分分析(ICA)，主成分分析(PCA)等提取用的特征，之后这些特征被送入分类器中进行分类。

然而上述传统的故障诊断方法需要费时的手动提取特征和不可靠的人为分析依赖大大降低了诊断的速度和精度。最近，深度学习方法促进了人工智能的快速发展，这借助于计算能力的显著提高，允许快速处理大型数据集。深度神经网络从丰富的数据集中学习低层次和高级特征的能力已经众所周知，并在故障诊断中得到了广泛利用。

但是目前大多数深度学习方法需要大量的样本训练模型，然而一旦电机发生故障时，希望尽可能早的停止电机运行，所以无法获取足够多的样本训练网络。因此，提出一种基于单样本学习的电机轴承故障诊断方法。

发明内容

本发明所要解决的技术问题在于：如何克服现有技术中，机械系统的工作条件非常复杂，经常根据生产要求而发生变化，并且工业系统中故障的电机不可能长时间的运转，尤其是一些关键的系统和设备，因而收集和标记足够的培训样本是难以实现的，提供了一种基于单样本学习的电机轴承故障诊断方法，该方法根据采集的轴承原始信号的特点使用多尺度一维卷积网络进行特征融合从何提取不同层次的局部特征，并且多尺度一维卷积网络与LSTM相结合作为孪生网络的子网络用于提取全局特征，具备分类性能好、可靠性高且适应性强的特点。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

步骤1：获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；

步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的训练样本数量训练孪生网络；

步骤3：将处理后的数据集输入到所述孪生网络中，每次随机选择两个训练样本送入到孪生网络中进行训练，利用所提出的多尺度卷积神经网络和长短时记忆网络相结合的孪生网络子网络分别将输入映射为一个特征向量，根据两个特征向量之间的距离度量来表示两个输入之间的相似程度；使用Adam优化方法对孪生网络的参数进行迭代更新直至网络收敛；

步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集，其余的测试样本均为无标签样本，将无标签的测试样本与每一个支持集样本送入被训练好的孪生网络中进行诊断，相似度最高的支持集样本类别即可判定为测试样本所属类别。