[發明專利]一種基于雙圖網絡的小樣本軸承故障診斷方法

在審

• 申請號: 202111202328.8
• 申請日: 2021-10-15
• 公開（公告）號: CN113988120A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 劉敏;汪韓
• 申請（專利權）人: 同濟大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 陳源源

本發明涉及一種基于雙圖網絡的小樣本軸承故障診斷方法，包括選取軸承故障的測試樣本和訓練樣本，并對測試樣本和訓練樣本進行預處理，采集數據點，構建元數據集；然后使用卷積神經網絡提取元數據集的特征；并將提取出的特征和訓練樣本的標注信息輸入雙圖網絡，進而得到測試樣本的故障類型。與現有技術相比，本發明具有準確度高、適用性強等優點。

技術領域

本發明涉及故障診斷技術領域，尤其是涉及一種基于雙圖網絡的小樣本軸承故障診斷方法。

背景技術

近年來，工業設施健康診斷在智能制造領域受到了廣泛的關注。具體來說，旋轉機械故障的診斷至關重要，因為它們是設施的關鍵組成部分，而且對故障非常敏感。

小樣本故障診斷任務是在具有有限標記數據的情況下進行故障診斷和分類。許多相關的深度學習方法已經被提出，如元學習、嵌入學習和生成建模，但是在小樣本軸承故障診斷方面的成就較少。然而，直接使用傳統的故障診斷方法進行小樣本故障診斷任務會遇到過擬合、重復訓練等問題，嚴重影響了故障診斷的準確性。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于雙圖網絡的小樣本軸承故障診斷方法。

本發明的目的可以通過以下技術方案來實現：

一種基于雙圖網絡的小樣本軸承故障診斷方法，包括以下步驟：

S1、選取軸承故障的測試樣本和訓練樣本，所述測試樣本和訓練樣本均帶有標注信息；

S2、對測試樣本和訓練樣本進行預處理，構建元數據集；

S3、使用卷積神經網絡提取元數據集的特征；

S4、將步驟S3中的提取的特征和訓練樣本的標注信息輸入雙圖網絡，所述雙圖網絡包括點圖和分布圖，計算得到點圖的最終邊特征，在雙圖網絡損失值最小時，對每個測試樣本進行類預測。

進一步地，所述預處理步驟包括：

C1、從所有樣本中隨機抽取N個連續信號段和N個連續信號點組成的W*W個連續信號數據點；

C2、所有連續信號數據點的值歸一化，將歸一化后的值填充所有樣本圖像中對應位置的像素值，得到填充圖像；

C3、將填充圖像轉換為灰度圖像，堆疊后得到形成大小為W*W*M的圖像，作為元數據集。

進一步地，所述類預測通過邊饋入函數來計算，計算表達式為：

式中，表示點圖的最終邊特征，x_i表示第i個測試樣本的特征，表示x_i代表的樣本的故障類型概率分布，y_j表示中第j個訓練樣本的標注信息，onehot表示獨熱編碼；NK表示分布級節點特征的維度。

進一步地，所述點圖的最終邊特征計算步驟如下：

B1、根據元數據集的特征，得到點圖的初始節點特征；

B2、根據點圖的初始節點特征，結合編碼網絡計算點圖的初始邊特征；

B3、根據訓練樣本的標注信息，得到分布圖的初始節點特征，并根據點圖的初始邊特征，迭代計算分布圖的最終節點特征；

B4、根據分布圖的最終節點特征，結合編碼網絡計算分布圖的邊特征；

B5、根據分布圖的邊特征，結合聚合網絡計算得到點圖的最終節點特征，并結合編碼網絡計算點圖的最終邊特征；

B6、根據點圖的最終邊特征，對每個測試樣本進行類預測。

進一步地，所述雙圖網絡損失值為點損失和分布損失的加權求和。