[发明专利]基于故障标签信息向量的轴承复合故障诊断方法

说明书

本发明公开了基于故障标签信息向量的轴承复合故障诊断方法，构建零样本学习模型，利用零样本学习模型进行复合故障诊断；零样本学习模型中，数据预处理模块将原始故障数据转换为故障图像；标签信息定义模块用于根据原始故障数据构建故障标签信息向量，包括单故障标签信息向量和复合故障标签信息向量；特征提取模块用于对故障图像提取故障特征向量；生成对抗模块学习故障特征空间与故障标签信息空间之间的映射关系；分类模块根据故障特征空间与故障标签信息空间之间的映射关系，以及根据单故障标签信息向量和复合故障标签信息向量之间的关联关系，利用复合故障标签信息向量进行复合故障诊断。

技术领域

本发明涉及轴承的复合故障诊断技术领域，尤其是基于故障标签信息向量的轴承复合故障诊断方法。

背景技术

在轴承故障诊断中，由于不同故障参数的耦合、故障特征的多样性以及可能的故障模式数呈指数增长，复合故障诊断一直是一个难题。

传统的复合故障诊断方法主要包括基于定性经验的方法、基于分析模型的方法和基于信号分析的方法。基于定性经验方法利用不完全先验知识描述系统的功能结构，建立定性模型实现推理。基于分析模型的方法通过研究故障状态下动态参数和响应信号之间的内在联系，生成正常和异常操作之间的相关信息。基于信号分析的方法需要在大量原始感知数据的基础上，通过直接推理提取故障特征进行诊断。然而，这些方法需要专家的经验知识和工程经验，难以应用于现实的工业场景。

在机械故障诊断领域，机器学习尤其是深度学习的发展已经非常普遍。在此基础上，提出了基于学习模型的方法，用于从原始感官数据中，而不是从专家数据中，自动学习具有代表性的特征和识别复合故障。但是现有的复合故障诊断学习模型的方法通常中基于有监督或半监督学习，对于每一个复合故障的学习都需要足够的有标记或无标记的训练数据。在工业场景中，无论是有标记的还是无标记的复合故障训练数据通常都很难采集，有时甚至无法获取，而单故障样本则很容易获得。

发明内容

为了克服上述现有技术中的缺陷，本发明提供一种基于故障标签信息向量的轴承复合故障诊断方法，能够使用单故障的样本来识别不可见的复合故障。

为实现上述目的，本发明采用以下技术方案，包括：

基于故障标签信息向量的轴承复合故障诊断方法，构建零样本学习模型，利用零样本学习模型进行复合故障诊断；所述零样本学习模型包括：数据预处理模块、标签信息定义模块、特征提取模块、生成对抗模块、分类模块；

所述数据预处理模块用于将原始故障数据φ(t)即一维振动信号转换为二维图像即故障图像q；原始故障数据φ(t)包括：单故障数据φ_s(t)和复合故障数据φ_u(t)；故障图像q包括单故障图像q_s和复合故障图像q_u；

所述标签信息定义模块用于根据原始故障数据构建故障标签信息向量G，包括：单故障标签信息向量G_s和复合故障标签信息向量G_u；

所述特征提取模块用于对数据预处理模块所转换的故障图像q提取故障特征向量，包括：对单故障图像q_s提取单故障特征向量v_s，对复合故障图像q_u提取复合故障特征向量v_u；

所述生成对抗模块用于学习故障特征空间与故障标签信息空间之间的映射关系；

所述分类模块用于根据故障特征空间与故障标签信息空间之间的映射关系，以及根据单故障标签信息向量G_s和复合故障标签信息向量G_u之间的关联关系，并利用复合故障标签信息向量G_u进行复合故障诊断。

进一步地，所述数据预处理模块通过小波变换将原始故障数据φ(t)即一维振动信号转换为二维小波图像即故障图像q。