[发明专利]一种基于表示学习的轴承故障检测和分类的一体化方法

说明书

一种基于表示学习的轴承故障检测和分类的一体化方法，本发明涉及轴承故障检测和分类的一体化方法。本发明的目的是为了解决现有采用数据驱动的方法进行轴承故障诊断过程中，获得大量的轴承故障样本是十分困难的，以及为不同的故障类型的数据设计准确的标签存在很大的限制的问题。过程为：1、提取轴承的振动数据；2、特征提取：从时域、频域2个角度提取数据的特征；3、搭建故障检测神经网络：故障检测神经网络包括编码器、噪声引入、自注意力机制层以及解码器；4、训练故障检测神经网络；5、搭建故障分类神经网络；6、训练故障分类神经网络；7、在线故障检测与故障分类。本发明用于轴承故障诊断与人工智能相结合的学科交叉领域。

技术领域

本发明属于轴承故障诊断与人工智能相结合的学科交叉领域，具体涉及基于表示学习的轴承故障检测和分类的一体化方法。

背景技术

作为精密机械设备中的重要部件，轴承的健康状态对于机器的正常运行具有至关重要的作用。如何及时诊断轴承故障，减少因其故障产生的损失，对于机械设备的安全性和可靠性具有关键性意义。

故障诊断主要包含故障的检测和分类这两个方面。目前针对轴承的故障诊断方法从总体上可以分为基于模型的方法、数据驱动的方法。基于模型的故障诊断方法需要依靠丰富的先验知识来构建轴承的故障模型。然而，考虑到轴承的工作情况多变，工作环境复杂，精确的故障建模存在着很大的困难，基于模型的故障诊断方法存在着一定的局限性。另一方面，数据驱动的方法无需事先了解轴承故障的先验知识，通过分析轴承工作过程中产生的振动信号便可以实现轴承的故障诊断。近年来，新兴的深度学习方法，例如卷积神经网络、循环神经网络及其变体长短时记忆网络被广泛地应用于轴承的故障诊断的研究中。作为学习类算法的一个重要分支，表示学习包含了自编码器、迁移学习以及流形学习等多种方式。值得注意的是，表示学习通过将原始特征转化为机器能够处理的方式，具备很强的可靠性与可解释性。近年来，表示学习以其在数据挖掘任务的优势，在智能系统的故障诊断和预测性维护领域中获得了越来越广泛的关注。

虽然数据驱动的方法在轴承故障诊断方面应用广泛，但是大多数据驱动的方法都需要充足的故障标签数据训练算法模型，并且要求神经网络的训练数据和测试数据之间遵循相同的分布假设。然而，大多数的精密机械设备都被要求在正常状态下工作，获得大量的轴承故障样本是十分困难的。如何在无监督的条件下，仅仅采用轴承健康状态下工作的数据进行故障检测存在着很大的挑战。与此同时，工作条件、负载情况以及轴承类型等多种变化因素都会影响着数据分布，为不同的故障类型的数据设计准确的标签存在很大的限制。因此，如何将在小样本故障数据的条件下，将正常数据下进行预训练所获得的源域模型迁移到故障样本所代表的目的域进行故障诊断需要深入的研究。

发明内容

本发明的目的是为了解决现有采用数据驱动的方法进行轴承故障诊断过程中，获得大量的轴承故障样本是十分困难的，以及为不同的故障类型的数据设计准确的标签存在很大的限制的问题，而提出一种基于表示学习的轴承故障检测和分类的一体化方法。

一种基于表示学习的轴承故障检测和分类的一体化方法具体过程为：

步骤1、提取轴承的振动数据：

通过在轴承座上的传感器设备，采集轴承在工作过程中的振动数据；

所述振动数据包括健康数据和故障数据；

步骤2、特征提取：

从时域、频域2个角度提取轴承在工作过程中的振动数据的特征；

所述振动数据的特征包括健康数据的特征和故障数据的特征；

步骤3、搭建故障检测神经网络：

故障检测神经网络包括编码器、噪声引入、自注意力机制层以及解码器；

步骤4、训练故障检测神经网络：