[發明專利]一種基于單樣本學習的電機軸承故障診斷方法

在審

• 申請號: 202110902959.4
• 申請日: 2021-08-06
• 公開（公告）號: CN113627317A
• 公開（公告）日: 2021-11-09
• 發明（設計）人: 王兵;周陽;王子;李敏杰;米春風;楊海娟;汪文艷;盧琨
• 申請（專利權）人: 安徽工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 合肥昊晟德專利代理事務所(普通合伙) 34153
• 代理人: 何梓秋

1.一種基于單樣本學習的電機軸承故障診斷方法，其特征在于，包括以下步驟：

步驟1：獲取電機軸承原始一維振動信號，通過設置每類不同樣本數量和添加不同噪聲強度，研究樣本稀缺和噪聲干擾情況下模型故障診斷的性能；

步驟2：對電機軸承故障信號進行處理，劃分為訓練集和測試集，得到處理后的樣本，并選擇不同的樣本數量訓練孿生網絡用于評判模型對樣本數量的適應性；

步驟3：將處理后的數據輸入到所述孿生網絡中，每次隨機選擇兩個訓練樣本送入到孿生網絡中進行訓練，利用多尺度卷積神經網絡和長短時記憶網絡相結合的孿生網絡子網絡分別將輸入映射為一個特征向量，根據兩個特征向量之間的距離來度量兩個輸入之間的相似程度，從而判別兩個輸入是否屬于同一類別，并使用Adam優化方法對孿生網絡的參數進行迭代更新直至網絡收斂；

步驟4：將測試集中每一類別隨機選取一個數據并打上標簽作為支持集，其余的測試樣本均為無標簽樣本；測試時將支持集樣本重復的與無標簽的測試樣本送入被訓練好的孿生網絡中進行診斷，相似度最高的支持集樣本類別即可判定為測試樣本所屬類別。

2.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟1中，電機軸承原始一維振動信號包括健康振動信號、內圈故障振動信號、外圈故障振動信號和滾動體故障振動信號。

3.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟2中，將每一個數據集的一維振動信號切分為兩個部分，前一部分使用滑動窗口重疊采樣的方法獲取訓練樣本，后一部分使用截取的方法獲得測試樣本。

4.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟2中，生成樣本尺寸為2048*1，并對測試集進行添加不同強度噪聲操作，其中信噪比定義為：

SNR＝10log₁₀(P_signal/P_noise)

其中P_signal、P_noise分別表示信號和噪聲的有效功率。

5.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟3中，所述孿生網絡包括兩個子網絡且兩個子網絡之間權重共享，通過比較兩個輸入在特征空間映射后的特征向量來判斷輸入是否屬于同一類別。

6.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟3中，孿生網絡子網絡首先將樣本輸入不同卷積核大小的CNN中提取不同深度的局部特征，經過特征融合后接入一層LSTM挖掘全局特征。

7.根據權利要求1所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟3中，度量兩個特征向量之間的距離為L1距離：

L＝|x₁-x₂|+|y₁-y₂|+…+|n₁-n₂|

其中，x,y,...,n表示特征向量的維度。

8.根據權利要求7所述的一種基于單樣本學習的電機軸承故障診斷方法，其特征在于：在所述步驟3中，所述孿生網絡的損失函數為：

其中，x₁,x₂為訓練輸入樣本，y為輸入樣本對是否是同一類別，若是，則y＝1，反之y＝0；N為樣本個數，d為輸入樣本經過網絡提取特征后兩個特征向量之間的L1距離，margin是一個設定的閾值，用于反映特征向量之間的遠近程度。