[發明專利]基于小樣本深度學習的一類沖擊故障診斷

在審

• 申請號: 202111000344.9
• 申請日: 2021-08-27
• 公開（公告）號: CN113705096A
• 公開（公告）日: 2021-11-26
• 發明（設計）人: 高暉;趙大力;劉錦南;王牮
• 申請（專利權）人: 北京博華信智科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06N20/00;G01M7/08
• 代理公司: 北京志霖恒遠知識產權代理事務所(普通合伙) 11435
• 代理人: 郭棟梁

1.一種基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述方法包括：

獲取設備監測數據對應的遷移特征，得到遷移特征集；

對所述遷移特征集進行重構，得到所述設備的訓練集，所述訓練集中包括所述設備的真實頻域數據及虛擬頻域數據；

基于機器學習，對所述訓練集進行訓練，構建所述設備的故障診斷模型，所述故障診斷模型用于識別設備是否發生故障。

2.根據權利要求1所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述獲取設備的遷移特征集包括：

對所述監測數據進行頻譜分析，得到所述對應的頻域數據，所述頻域數據作為所述設備的遷移特征。

3.根據權利要求1所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述對所述遷移特征集進行重構，得到所述設備的訓練集包括：

生成循環生成對抗網絡。

基于所述遷移特征集對所述循環生成對抗網絡進行訓練，得到目標生成器，所述目標生成器用于生成設備的虛擬頻域數據；

基于所述重構模型，以及獲取的所述特征集，生成所述訓練集，所述訓練集包括真實樣本及生成的虛擬樣本。

4.根據權利要求3所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述循環生成對抗網絡包括第一生成器、第二生成器、第一判別器及第二判別器，所述第一生成器包括虛擬頻域數據特征向真實頻域數據的映射算法，第二生成器包括真實頻域數據向虛擬頻域數據的映射算法，所述第一判別器用于識別所述第一生成器的輸出結果，所述第二判別器用于識別所述第二生成器的輸出結果，

其中，所述目標生成器為所述第一生成器中的一個。

5.根據權利要求1-4任一項所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述故障診斷模型為一維CNN模型，所述一維CNN模型包括多個卷積層、池化層及全連接層。

6.根據權利要求1-4任一項所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述設備為軸承，則所述遷移特征為通過對監測的振動信號分析后得到的頻域數據，表示為：

其中，N為采樣點數，f₀為頻率分辨率，C_i為頻率i×f₀的成分系數，δ為激勵函數，f_res為設備殘振。

7.根據權利要求6所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述軸承的故障類型包括內圈故障、外圈故障及滾動體故障，則C_i包括外圈故障頻率成分系數內圈故障頻率成分系數及滾動體故障頻率成分系數所述遷移特征集表示為：

H＝[H_OR H_IR H_B]^T，

其中，

其中，分別為外圈故障頻率1～3倍頻，P為倍頻系數，β用于減輕實際中各種隨機因素的影響，q為衡量沖擊響應的強度。

8.根據權利要求1-7任一項所述的基于小樣本深度學習的一類沖擊故障診斷方法，其特征在于，所述方法還包括：

獲取待診斷設備的監測數據；

對所述監測數據進行預處理，得到對應的遷移特征集；

將所述設備遷移特征集輸入到所述的故障診斷模型中，輸出所述設備的故障診斷結果。