[发明专利]基于小样本深度学习的一类冲击故障诊断

说明书

本申请公开了一种基于小样本深度学习的一类冲击故障诊断方法故障诊断，该方法包括：获取设备监测数据对应的迁移特征，得到迁移特征集；对迁移特征集进行重构，得到设备的训练集，训练集中包括设备的真实频域数据及虚拟频域数据；基于机器学习，对训练集进行训练，构建设备的故障诊断模型，故障诊断模型用于识别设备是否发生故障。本申请实施例依据设备的故障机理选择合适的迁移特征，并对迁移特征集进行重构，以生成丰富的训练集，最后对生成的训练集机型训练，构建设备的故障诊断模型，从而可以利用构建的故障诊断模型对设备是否发生故障进行准确的诊断，提高了设备故障诊断的准确度及效率，具备很好的变负载工况迁移能力。

技术领域

本申请一般涉及计算机技术领域，具体涉及一种基于小样本深度学习的一类冲击故障诊断方法。

背景技术

设备在使用过程中，由于磨擦、外力、应力及化学反应的作用，零件总会逐渐磨损和腐蚀、断裂导致因故障而停机。为了防止故障停机所造成的经济损失，则需要对设备故障进行及时检测，以加强设备保养维修，如掌握零件磨损情况，可以在零件进入剧烈磨损阶段前，进行修理更换。

目前，在设备故障的检测过程中，主要是通过人工排查，如通过工程师的人眼观察，或者工程师的经验来诊断设备是否故障，使得诊断准确性低，成本高。

发明内容

鉴于现有技术中的上述缺陷或不足，期望提供一种基于小样本深度学习的一类冲击故障诊断方法，基于机器学习构建设备故障诊断模型，实现设备故障的智能诊断，提高识别精确度及效率。

第一方面，本申请实施例提供一种基于小样本深度学习的一类冲击故障诊断方法，该方法包括：

获取设备监测数据对应的迁移特征，得到迁移特征集；

对所述迁移特征集进行重构，得到所述设备的训练集，所述训练集中包括所述设备的真实频域数据及虚拟频域数据；

基于机器学习，对所述训练集进行训练，构建所述设备的故障诊断模型，所述故障诊断模型用于识别设备是否发生故障。

综上，本申请实施例提供的设备基于小样本深度学习的一类冲击故障诊断方法，依据设备的故障机理选择合适的迁移特征，进而基于获取的真实的迁移特征，对迁移特征集进行重构，以生成丰富的训练集，最后对生成的训练集机型训练，构建设备的故障诊断模型，从而可以利用构建的故障诊断模型对设备是否发生故障进行准确的诊断，提高了设备故障诊断的准确度及效率，且具备很好的变负载工况迁移能力。

进一步，通过利用成循环生成对抗网络对获取的小样本的真实监测数据进行重构，以生成逼真的虚拟频域数据，实现训练样本的增强及丰富。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1为本申请的实施例的设备故障诊断模型构建方法的流程示意图；

图2为本申请的实施例的监测数据分析的流程示意图；

图3为本申请的实施例的模拟试验台的结构示意图；

图4为本申请的实施例的训练集重构流程示意图；

图5为本申请的实施例的训练集重构流程示意图；

图6为本申请的实施例的训练集重构流程示意图；

图7为本申请的实施例的训练集重构流程示意图；

图8为本申请的实施例的重构结果示意图；

图9为本申请的实施例的故障诊断模型更构建的流程示意图；

图10为本申请的实施例的设备故障诊断结果示意图；

图11为本申请的实施例的设备故障诊断结果示意图；