[发明专利]一种基于小样本的轴承故障诊断方法及系统

说明书

本发明提出一种基于小样本的轴承故障诊断方法及系统，涉及轴承故障诊断的技术领域，首先采集轴承原始的振动信号，避免当前将信号进行预处理的操作成本高，且容易把原始信号的关键信息屏蔽的不良后果，核心基于孪生神经网络模型，将具有相同或不同故障类别标签的信号样本组成样本对，对孪生神经网络进行训练和测试，最后利用N‑shot K‑way算法适应轴承故障数据量缺乏的情况，克服当前在数据驱动的故障诊断中难以获得足够数量样本的缺陷，对故障诊断有效而且提高了泛化能力。

技术领域

本发明涉及轴承故障诊断的技术领域，更具体地，涉及一种基于小样本的轴承故障诊断方法及系统。

背景技术

故障诊断广泛应用于制造、航空航天、汽车、发电、运输等多个领域。近年来，随着深度学习的飞速发展，基于深度学习的智能故障诊断技术避免了对耗时、不可靠的人工分析的依赖，提高了故障诊断效率，引起了人们的广泛关注。

轴承故障诊断可监测轴承在实际工作条件下的运行状态，从而在不停止生产线的同时预防轴承故障而引发系统崩溃的发生。深度学习是一种有效的技术手段，然而，基于深度学习的轴承故障诊断一般都需要都需要大量的训练数据，在实际故障诊断中，同一故障的信号在不同工作条件下往往存在较大的差异，导致故障诊断面临重大挑战，往往无法获得足够的样本，以使分类器对每种故障类型具有鲁棒性，出现这种情况可能有几个原因:(1)由于不良后果，行业系统不允许轴承运作进入故障状态，特别是对关键系统和故障；(2)大多数机电故障发生缓慢，并遵循退化路径，因此，系统的故障退化可能需要数月甚至数年，这使得收集相关数据集变得困难；(3)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，收集和标记足够的训练样本是不现实的；(4)在实际应用中，故障类别和工作条件通常是不平衡的。因此，在不同的工作条件下，很难为每种故障类型收集足够的样本。

现有技术中公开了一种轴承故障诊断方案，该方案采用了层次自适应深度卷积神经网络，该网络具有两个层次组织的组件：故障确定层和故障大小评估层。其中，学习速率是动态变化的，以便在训练速度和准确性之间保持更好的权衡。第一层的ADCNN模型是基于LeCun提出的经典LeNet5模型,所使用的层数为9个，批处理大小为100个,在分类层中使用了SoftMax。其中，数据类型总共有4种，一个是“健康”轴承类，其他三个是故障轴承(外圈、内圈、求形体)，此方案使得识别故障类型的准确率达到97.7％。虽然使用自适应深度卷积神经网络模型能达到较高的故障诊断准确率，但是实际数据类型有很多种，因为在不同的载荷运行条件下如马力和电动机的转速的影响下所收集到的轴承的振动信号是不同的而且故障类型远远不至于3种。此外，还存在数据的不平衡问题，因为该方案所用的数据集是人工模拟出来的，这与自然产生的轴承故障数据有很大的差异，所以模型的泛化能力差。

发明内容

为解决如何利用有限的数据进行轴承故障诊断的问题，本发明提供了一种基于小样本的轴承故障诊断方法及系统，克服在数据驱动的故障诊断中难以获得足够数量样本的缺陷，对故障诊断有效而且提高了泛化能力。

为了达到上述技术效果，本发明的技术方案如下：

一种基于小样本的轴承故障诊断方法，所述方法包括以下步骤：

S1.采集轴承原始的振动信号，对原始的振动信号标注故障类别标签，得到具有标签的信号样本；

S2.将具有相同或不同故障类别标签的信号样本组成样本对，若干个样本对构成训练集；

S3.构建孪生神经网络模型，将训练集输入孪生神经网络模型并训练该模型，得到训练好的孪生神经网络模型；

S4.从训练集中随机选择若干信号样本形成每一次的支持数据集，采用N-shot K-way测试法，利用每一次的支持数据集对训练好的孪生神经网络模型进行测试，输出概率距离；

S5.基于概率距离确定故障类别。