本發(fā)明屬于軸承故障診斷，尤其涉及一種基于多維數(shù)據(jù)增強(qiáng)與特征融合的軸承小樣本診斷方法。

背景技術(shù)：

1、在工業(yè)實(shí)踐中，旋轉(zhuǎn)機(jī)械系統(tǒng)多數(shù)時(shí)間運(yùn)行于健康狀態(tài)，而故障狀態(tài)的出現(xiàn)則相對(duì)短暫。因此，通常能夠輕易地收集到大量代表正常狀態(tài)的振動(dòng)數(shù)據(jù)，但相比之下，故障數(shù)據(jù)的獲取則顯得較為有限。這種正常與異常數(shù)據(jù)間的不均衡性給故障診斷帶來了不小的挑戰(zhàn)。另外，在構(gòu)建智能診斷模型時(shí)，鑒于數(shù)據(jù)的質(zhì)量與多樣性對(duì)模型的性能和準(zhǔn)確度有著直接的影響，確保輸入數(shù)據(jù)的類型與質(zhì)量顯得尤為重要。

2、目前許多學(xué)者已經(jīng)提出了一系列解決方案，以提高故障診斷的準(zhǔn)確性。goodfellow等提出了一種數(shù)據(jù)合成模型生成對(duì)抗網(wǎng)絡(luò)(gan)，該模型通過博弈的方式訓(xùn)練生成器和判別器網(wǎng)絡(luò)，以便生成逼真的數(shù)據(jù)樣本，但存在著訓(xùn)練不穩(wěn)定、難以收斂以及模態(tài)坍塌等問題。radford等在gan的基礎(chǔ)上利用卷積神經(jīng)網(wǎng)絡(luò)替換普通的多層神經(jīng)網(wǎng)絡(luò)，提出了深度卷積生成對(duì)抗網(wǎng)絡(luò)((dcgan)，盡管這種卷積式的gan在許多數(shù)據(jù)集上展現(xiàn)出穩(wěn)定的訓(xùn)練效果，并推動(dòng)了cnn在無監(jiān)督場(chǎng)景中的應(yīng)用。li等提出一種改進(jìn)gan的wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)(wdcgan)，對(duì)一維電網(wǎng)數(shù)據(jù)進(jìn)行數(shù)據(jù)生成并作為智能診斷模型的輸入從而實(shí)現(xiàn)小樣本異常分類，所提出的wdcgan模型生成的數(shù)據(jù)與真實(shí)數(shù)據(jù)相似且穩(wěn)定了訓(xùn)練過程。fan等采用lbp灰度處理技術(shù)將一維振動(dòng)信號(hào)轉(zhuǎn)換為灰度紋理圖像并建立原始數(shù)據(jù)集，通過wgan-gp對(duì)原始數(shù)據(jù)集進(jìn)行增強(qiáng)，最后利用cnn進(jìn)行準(zhǔn)確率診斷。qin等將原始振動(dòng)信號(hào)利用cwt轉(zhuǎn)換為時(shí)頻圖像作為wdcgan-gp數(shù)據(jù)增強(qiáng)模型的輸入，并將合成數(shù)據(jù)用于故障診斷檢測(cè)。

3、現(xiàn)有技術(shù)從不同角度探討了數(shù)據(jù)預(yù)處理與增強(qiáng)在故障診斷領(lǐng)域的應(yīng)用，而在當(dāng)前的研究趨勢(shì)中，大多診斷模型以單維度單信息輸入為主，易導(dǎo)致關(guān)鍵特征的丟失及診斷準(zhǔn)確性的下降，而從工業(yè)生產(chǎn)中應(yīng)用的不同傳感器收集的多源異構(gòu)數(shù)據(jù)卻無法直接被傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用，這給基于小樣本的深度學(xué)習(xí)故障診斷帶來了極大困難。因此，將多模態(tài)信息融合到診斷模型中變得至關(guān)重要。

技術(shù)實(shí)現(xiàn)思路

1、為解決上述技術(shù)問題，本發(fā)明提出了一種基于多維數(shù)據(jù)增強(qiáng)與特征融合的軸承小樣本診斷方法，以解決上述現(xiàn)有技術(shù)存在的問題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于多維數(shù)據(jù)增強(qiáng)與特征融合的軸承小樣本診斷方法，包括：

3、獲取軸承原始振動(dòng)信號(hào)及標(biāo)簽，對(duì)所述原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，得到特征信號(hào)；

4、通過數(shù)據(jù)增強(qiáng)模型對(duì)原始振動(dòng)信號(hào)及特征信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)，得到擴(kuò)充樣本，其中所述數(shù)據(jù)增強(qiáng)模型中設(shè)置有損失差閾值機(jī)制；

5、根據(jù)原始振動(dòng)信號(hào)及標(biāo)簽、特征信號(hào)及擴(kuò)充樣本，構(gòu)建擴(kuò)充訓(xùn)練集；

6、構(gòu)建診斷模型，通過擴(kuò)充訓(xùn)練集對(duì)所述診斷模型進(jìn)行訓(xùn)練，其中所述診斷模型用于對(duì)原始振動(dòng)信號(hào)及特征信號(hào)進(jìn)行處理，得到多方面特征描述，并對(duì)多方面特征描述依次進(jìn)行融合及處理，得到故障診斷結(jié)果；

7、獲取待測(cè)振動(dòng)信號(hào)，通過訓(xùn)練好的診斷模型對(duì)待測(cè)振動(dòng)信號(hào)進(jìn)行處理，得到待測(cè)振動(dòng)信號(hào)的不平衡診斷結(jié)果。

8、可選的，對(duì)所述原始振動(dòng)信號(hào)進(jìn)行預(yù)處理的過程包括：

9、對(duì)所述原始振動(dòng)信號(hào)分別進(jìn)行灰度化處理及連續(xù)小波變化，得到灰度圖像及時(shí)頻圖像。

10、可選的，所述數(shù)據(jù)增強(qiáng)模型包括一維生成對(duì)抗網(wǎng)絡(luò)和二維生成對(duì)抗網(wǎng)絡(luò)，其中所述一維生成對(duì)抗網(wǎng)絡(luò)采用一維帶有梯度懲罰的wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)，所述二維生成對(duì)抗網(wǎng)絡(luò)采用二維帶有梯度懲罰的wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)；

11、通過原始振動(dòng)信號(hào)訓(xùn)練一維帶有梯度懲罰的wasserstein深度卷積生成對(duì)抗網(wǎng)絡(luò)并通過所述灰度圖像及時(shí)頻圖像分別訓(xùn)練二維生成對(duì)抗網(wǎng)絡(luò)，當(dāng)所述數(shù)據(jù)增強(qiáng)模型訓(xùn)練過程中的損失差滿足預(yù)設(shè)閾值時(shí)，則生成練好的一維生成對(duì)抗網(wǎng)絡(luò)和二維生成對(duì)抗網(wǎng)絡(luò)，通過訓(xùn)練好的一維生成對(duì)抗網(wǎng)絡(luò)和二維生成對(duì)抗網(wǎng)絡(luò)生成擴(kuò)充樣本，所述擴(kuò)充樣本用于平衡原始振動(dòng)信號(hào)和特征信號(hào)的數(shù)量。

12、可選的，所述診斷模型采用多維特征融合卷積神經(jīng)網(wǎng)絡(luò)，其中所述多維特征融合卷積神經(jīng)網(wǎng)絡(luò)中的多方面特征描述包括一維波形特征、灰度結(jié)構(gòu)化特征及時(shí)間-頻率特征。

13、可選的，通過擴(kuò)充訓(xùn)練集對(duì)所述診斷模型進(jìn)行訓(xùn)練之后還包括：

14、根據(jù)原始振動(dòng)信號(hào)及標(biāo)簽、特征信號(hào)及擴(kuò)充樣本，構(gòu)建擴(kuò)充驗(yàn)證集及擴(kuò)充測(cè)試集，通過擴(kuò)充驗(yàn)證集及擴(kuò)充測(cè)試集對(duì)訓(xùn)練后的診斷模型進(jìn)行驗(yàn)證及測(cè)試，得到測(cè)試好的診斷模型以進(jìn)行待測(cè)振動(dòng)信號(hào)的處理。

15、可選的，所述擴(kuò)充訓(xùn)練集、擴(kuò)充驗(yàn)證集及擴(kuò)充測(cè)試集的比例為7:2:1

16、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和技術(shù)效果：

17、所提出的wdcgan-mdffcnn軸承不平衡故障診斷方法不僅成功解決了樣本不均衡背景下的診斷難題，還克服了由于單信息輸入而導(dǎo)致的診斷模型泛化能力差、診斷準(zhǔn)確率低等一系列困難。在處理cwru數(shù)據(jù)集中不同工況下的試驗(yàn)結(jié)果表明：

18、在數(shù)據(jù)增強(qiáng)方面，本發(fā)明提出了一種基于wgan-gp與dcgan的優(yōu)勢(shì)結(jié)合的wdcgan數(shù)據(jù)增強(qiáng)模型，引入了損失差閾值機(jī)制，以限制生成器與判別器損失差在一定范圍內(nèi)，從而加快模型的收斂速度，改善生成數(shù)據(jù)的質(zhì)量，提高模型的穩(wěn)定性和效率，有助于實(shí)現(xiàn)更快的納什均衡。

19、在故障檢測(cè)方面，提出了mdffcnn診斷模型，該模型通過創(chuàng)新的多維度特征融合策略處理不同工況下的故障診斷問題，有效地融合來自不同表征空間的特征信息，生成綜合的特征表示，以保留原始數(shù)據(jù)的多種特征，并提高診斷的準(zhǔn)確率和收斂速度，為復(fù)雜機(jī)械系統(tǒng)的智能故障診斷提供了高效、全面的解決方案。

技術(shù)特征：

1.一種基于多維數(shù)據(jù)增強(qiáng)與特征融合的軸承小樣本診斷方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，

技術(shù)總結(jié)
本發(fā)明公開了一種基于多維數(shù)據(jù)增強(qiáng)與特征融合的軸承小樣本診斷方法，包括：獲取軸承原始振動(dòng)信號(hào)及標(biāo)簽，對(duì)所述原始振動(dòng)信號(hào)進(jìn)行預(yù)處理，得到特征信號(hào)；通過數(shù)據(jù)增強(qiáng)模型對(duì)原始振動(dòng)信號(hào)及特征信號(hào)進(jìn)行數(shù)據(jù)增強(qiáng)，得到擴(kuò)充樣本，其中所述數(shù)據(jù)增強(qiáng)模型中設(shè)置有損失差閾值機(jī)制；根據(jù)原始振動(dòng)信號(hào)及標(biāo)簽、特征信號(hào)及擴(kuò)充樣本，構(gòu)建擴(kuò)充訓(xùn)練集；構(gòu)建診斷模型，通過擴(kuò)充訓(xùn)練集對(duì)所述診斷模型進(jìn)行訓(xùn)練，其中所述診斷模型用于對(duì)原始振動(dòng)信號(hào)及特征信號(hào)進(jìn)行處理，得到不同細(xì)節(jié)的特征描述，并對(duì)不同細(xì)節(jié)描述依次進(jìn)行融合及處理，得到故障診斷結(jié)果；獲取待測(cè)振動(dòng)信號(hào)，通過訓(xùn)練好的診斷模型對(duì)待測(cè)振動(dòng)信號(hào)進(jìn)行處理，得到待測(cè)振動(dòng)信號(hào)的不平衡診斷結(jié)果。

技術(shù)研發(fā)人員：楊凱,魏卓培,馬強(qiáng),張邵鋒
受保護(hù)的技術(shù)使用者：河北工程大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19