[发明专利]不平衡小样本数据的滚动轴承故障诊断方法及系统

权利要求书

1.一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，包括：

获取滚动轴承的声纹信号数据；

对采集到的声纹信号数据进行降维、位置编码和填充处理；

基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；

得到滚动轴承的故障类型，具体过程包括：将滚动轴承的声纹信号数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取输出数据的后N列数据，得到降维特征数据；在降维特征数据头部添加分类头CLS，形成新的数据；将所述新的数据输入训练好的多头自注意力机制分类器，得到滚动轴承的故障类型和位置信息；

其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建；

对于基于多头自注意力机制的自“编码-解码”模型的训练过程包括：构建训练数据集，所述数据集由内圈故障数据，外圈故障数据，滚动体故障数据，保持架故障数据和正常轴承数据按照设定的比例组成；对训练数据集中的数据分别进行降维、位置编码和填充处理；利用处理后的数据对基于多头自注意力机制的自“编码-解码”模型进行训练；

还包括：利用带有标签的训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，输入数据是对采集到的声纹信号数据进行降维、位置编码和填充处理后得到的数据，监督数据是原始数据，损失函数选择平均绝对值误差函数，损失函数计算方式如下：

其中，y是原始信号矩阵，是解码器输出的预测矩阵，y_i和是矩阵中的元素。

2.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的声纹信号数据进行降维处理，具体包括：

将一维声纹信号利用Python内置的Reshape函数转变成二维数组。

3.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的声纹信号数据进行填充处理，具体包括：

在设定的位置对二维数组进行零填充。

4.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述基于多头自注意力机制的自“编码-解码”模型包括：依次设置的原始信号、编码器层、解码器层和重构信号；每个编码器层和每个解码器层均由多头自注意力块和前馈神经网络组成；所述编码器层输出的数据在输入解码器层之前经过再编码操作。

5.如权利要求4所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述再编码操作具体为：取编码器输出数据的后N列，用零填充的方法填充至设定列数。

6.一种不平衡小样本数据的滚动轴承故障诊断系统，用于实现权利要求1-5任一项权利要求所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，包括：

数据获取模块，用于获取滚动轴承的声纹信号数据；

数据预处理模块，用于对采集到的声纹信号数据进行降维、位置编码和填充处理；

故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

7.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-5任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。

8.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-5任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。