[發明專利]一種基于元學習的多標簽滾動軸承故障診斷方法

有效

• 申請號: 202010960108.0
• 申請日: 2020-09-14
• 公開（公告）號: CN112084974B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 于重重;寧亞倩;秦勇;謝濤
• 申請（專利權）人: 北京工商大學
• 主分類號: G06F18/213
• 分類號: G06F18/213;G06F18/24;G06N3/0464;G06N3/08;G01M13/045
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 黃鳳茹

1.一種基于元學習的多標簽滾動軸承故障診斷方法，構建滾動軸承的多標簽故障數據集，并按故障類別劃分為訓練集和測試集；提取故障信號的時頻簽名矩陣特征T-FSMs；建立基于元學習的多標簽卷積神經網絡模型MLCML；利用訓練集樣本訓練MLCML模型；使用測試集樣本驗證訓練好的MLCML模型；利用訓練好的模型進行小樣本多標簽滾動軸承的故障診斷；包括下列過程：

A.構建滾動軸承的多標簽故障數據集D，并劃分為訓練集Tr和測試集Te；

滾動軸承的多標簽故障數據集D＝{(X_i,Y_i)|1≤i≤U}，其中，X_i為第i類故障的故障信號，Y_i為第i類故障信號的標簽集，(X_i,Y_i)為第i類故障的故障樣本，U表示滾動軸承故障狀態類型的數量；每類故障狀態下的振動信號的前M個振動點構成相應故障狀態的故障信號；

B.提取D中所有故障信號的時頻簽名矩陣特征T-FSMs，包括如下步驟：

B1.提取故障信號X_i的時域和頻域特征，具體步驟如下：

B11.將X_i分割為m個等長樣本，所述X_i＝{x_i(1),x_i(2),...,x_i(M)}，其中X_i為第i類故障的故障信號，x_i(M)表示X_i的第M個振動點，M為故障信號X_i的長度；n＝M/m，n表示每個時域樣本的長度，m為分割成的等長樣本的數量，M為故障信號X_i的長度；

B12.計算X_i中每個樣本的δ個統計特征值，獲得相應的時域統計特征TF_i1～TF_iδ，其中，δ為所提取時域特征的個數，其值不小于2；對于X_i的第j個樣本計算得到X_i的第j個樣本的時域特征值表示X_i的第j個樣本，n表示每個時域樣本的長度，x_i(jn)表示X_i的第jn個振動點；

B13.獲取X_i的快速傅里葉變換頻譜Y_i＝{y_i(1),y_i(2),...,y_i(M')}，其中Y_i為X_i的快速傅里葉變換頻譜，M'表示譜線數，y_i(M')為第M'條譜線的幅值；接著將Y_i分割為m個等長樣本，k＝M'/m，k表示每個頻域樣本的長度，M'表示譜線數，m為分割成的等長樣本的數量；

B14.提取X_i的個頻域特征對于X_i第j個樣本的頻譜計算得到頻域特征值Y_i^j為X_i第j個樣本的頻譜，k表示每個頻域樣本的長度，y_i(jk)表示Y_i^j第jk條譜線的幅值；所述為所提取頻域特征的個數，其值不小于2；

B2.提取X_i的時頻簽名矩陣特征，具體步驟如下：

B21.將步驟B1中所得時域特征TF_i1～TF_iδ及頻域特征按行拼接得到X_i的時頻特征集為的二維矩陣；其中，TF_i1～TF_iδ為X_i的δ個時域特征，為X_i的個頻域特征，為X_i的時頻特征集中的第個特征；

B22.建立大小為的滑動窗口，設定滑動步長，構造X_i的時頻簽名矩陣特征MT_i，F_i在t處的簽名矩陣MT_i^t由滑動窗口移動到t處時滑動窗口內時頻特征向量對之間的內積確定，MT_i^t第i行第j列的元素其中，為MT_i^t第i行第j列的元素，表示時頻特征集F_i中第j個特征的第(t+ε)個元素，k為比例因子，k＝w；

C.建立具有元學習功能的多標簽卷積神經網絡模型MLCML，具體步驟如下：

C1.建立多標簽卷積神經網絡MLCNN，并以參數化的函數f_θ表示所建立的多標簽卷積神經網絡，θ為多標簽卷積神經網絡的參數向量；MLCNN包括：輸入層、多個卷積層和輸出層；MLCNN的輸出層是全連接層，神經元數量與標簽集中標簽的數量相同，使用sigmoid激活函數和二元交叉熵損失函數；所述MLCNN采用multi-hot編碼；

C2.利用元學習策略，即對任務變化敏感的網絡模型初始參數進行學習，學習f_θ的網絡初始參數θ₀，具體步驟如下：

所述任務變化中的任務指的是N-way?K-shot任務，即N分類故障診斷任務；

所述對任務變化敏感的網絡模型初始參數在面對新的N分類故障診斷任務時，參數的微小變化能引起損失函數大的變化，使用少量訓練數據即能使損失快速下降；

所述元學習策略通過任務學習的模式訓練網絡模型的初始參數，在面對未經訓練的新類別時，只需要少數樣本和少量步數更新即可適應新的故障類別；測試集與訓練集中無重復的故障類別，測試集中的故障類別對于訓練后的模型是新的故障類別；

C21.利用訓練集Tr生成Z個訓練子任務，利用測試集Te生成Z'個測試子任務，所述子任務指的是N-way?K-shot任務；生成一個子任務的具體步驟如下：

C211從訓練集或測試集中隨機選擇N個類別；

C212隨機選擇N個類別中每個類別下的K個樣本組成子任務的支持集S；所述支持集指的是子任務的訓練集；

C213選擇N個類別中每個類別下的不同于支持集中K個樣本的K'個樣本，組成子任務的查詢集Q；所述查詢集指的是子任務的測試集；

C22.采用Z/5個元學習任務訓練網絡模型初始參數θ₀，一個元學習任務完成一次網絡初始參數的更新，所述一個元學習任務由5個訓練集生成的子任務組成；一個元學習任務的具體學習步驟如下：

C221輸入子任務T_i支持集S中所有樣本的X_i到多標簽卷積神經網絡，輸出向量Y_i'；

C222利用二元交叉熵損失函數計算損失l并通過梯度下降更新網絡參數θ；

所述計算損失的方式為l＝L(Y_i',Y_i)＝-Y_ilogY_i'-(1-Y_i)log(1-Y_i')，式中l為子任務訓練損失，L為二元交叉熵損失函數，Y_i是樣本的真實標簽，Y_i'為多標簽卷積神經網絡預測的支持集樣本標簽；

C223重復步驟C221至步驟C222多次，網絡參數由θ₀更新為θ'_i；

C224輸入子任務T_i查詢集Q中所有樣本的X_i到參數為θ'_i的多標簽卷積神經網絡輸出向量Y_i”；

C225利用二元交叉熵損失函數計算子任務T_i的損失

所述損失的計算方式為為子任務T_i的損失，L為二元交叉熵損失函數，Y_i是樣本的真實標簽，Y_i”為多標簽卷積神經網絡預測的查詢集樣本標簽；

C226重復步驟C221至C225,獲取每個子任務T_i的訓練損失并將一個元學習任務中5個子任務得到的損失相加得到一個元學習任務的損失；

C227通過梯度下降法更新網絡的初始參數θ₀，θ₀為多標簽卷積神經網絡的初始參數，為子任務T_i的損失，β為學習率；

D.利用訓練集樣本訓練MLCML模型，具體步驟如下：

D1.按照步驟C21的方法，利用訓練集Tr生成Z個訓練子任務；

D2.按C22的方法訓練MLCML模型，學習對任務變化敏感的網絡初始參數；

E.使用測試集樣本驗證訓練好的MLCML模型，具體步驟如下：

E1.按照步驟C21的方法，利用訓練集Te生成Z'個測試子任務；

E2.采用訓練得到的網絡初始參數，利用每個測試子任務支持集S中所有樣本微調多標簽神經網絡的參數，使其適應新的任務類別；微調過程與步驟C221至C223相同；

E3.將每個測試子任務查詢集Q中的所有樣本輸入微調后的多標簽卷積神經網絡，輸出分類結果并計算診斷精度；

E4.對所有測試子任務的診斷精度求平均值，作為模型的最終診斷結果；

由此實現基于元學習的多標簽滾動軸承故障診斷。