[發明專利]零試學習和特征提取的旋轉機械故障診斷方法

在審

• 申請號: 202210076016.5
• 申請日: 2022-01-23
• 公開（公告）號: CN114492618A
• 公開（公告）日: 2022-05-13
• 發明（設計）人: 王金甲;李杰寧;王鑫;王倩;楊錫濤
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123
• 代理人: 陳躍心

1.零試學習和特征提取的旋轉機械故障診斷方法，其特征在于：包括如下步驟：

S1、獲取數據集：獲取數據集，并進行分劃分為訓練集、驗證集和測試集；

S2、數據預處理及特征提取：將獲取的數據集劃分為訓練數據和測試數據并進行預處理，然后對預處理后的數據進行特征提取；

S3、建立基于廣義零試學習的特征細化模型：特征細化模型包括將VAE和GAN集成為統一的VAEGAN生成模型、特征細化模塊和分類器，VAEGAN生成模型包括特征生成VAE和特征生成WGAN,在訓練過程中分為兩階段的學習，第一階段：使用以VAEGAN生成模型為框架，通過編碼器E、解碼器G和鑒別器D學習故障信息的特征信息和語義信息之間的映射關系，然后使用特征細化模塊對故障真實信息和故障的偽信息進行對抗學習，并對真實/偽故障信息進行區別表示，通過邊緣中心損失和循環一致性進行優化，對特征細化模塊進行參數更新；第二階段：使用訓練過的特征細化模塊對訓練數據和測試數據進行特征信息進行細化，然后將細化后的真實故障特征信息和細化后的合成新類別的故障特征信息送入分類器進行分類識別，使用驗證集數據檢測模型性能，若檢測效果好，則保存網絡參數，否則繼續調整超參數直到得到最優模型；

S4、訓練完成后，對測試集數據進行檢測：將測試集數據送入網絡中，經過特征提取、特征細化后的特征送入訓練好的模型，評估模型的最終性能。

2.根據權利要求1所述的零試學習和特征提取的旋轉機械故障診斷方法，其特征在于：對所述步驟S2中數據集進行特征提取，并將經過提取后的結果送入步驟S3中建立的VAEWAN生成模型和特征細化模塊中進行訓練。

3.根據權利要求1所述的零試學習和特征提取的旋轉機械故障診斷方法，其特征在于：所述步驟S3中特征生成VAE包括編碼器E(x,a)和解碼器G(z,a)，編碼器E(x,a)將輸入的可見視覺特征x編碼為潛在碼z，而解碼器G(z,a)將z重建為視覺特征特征生成VAE通過一個VAE損耗來優化：

其中，是K-L散度，p(z|a)是服從N(0,1)分布，是由-logG(z,a)表示的特征重建損失。

4.根據權利要求1所述的零試學習和特征提取的旋轉機械故障診斷方法，其特征在于：所述步驟S3中特征生成WGAN包括解碼器G(z,a)和鑒別器D(x,a)，解碼器G(z,a)從隨機輸入的噪聲z中合成一個視覺特征x₁，鑒別器D(x,a)接受一個真實的視覺特征x或合成的視覺特征x₁并輸出一個真實值，表明真實或虛假的程度，G(z,a)和D(x,a)都以嵌入a為條件，通過WGAN損失優化：

其中x′＝τx+(1-τ)x₁,τ～U(0，1),λ是權重系數。

5.根據權利要求4所述的零試學習和特征提取的旋轉機械故障診斷方法，其特征在于：所述步驟S3中在特征細化模塊中，使用中心損失和循環一致性損失函數對特征細化模塊進行優化，和的表述如下：

其中，C_y是第y個訓練類的語義信息嵌入到特征空間的類原型，C_y′是第y′個(除了y類隨機選擇的類標簽)類原型，Δ表示控制類內和類間距離的邊緣信息，μ是特征細化模塊中經過編碼后的特征，γ∈[0,1]是用于平衡類內和類間距離可分性的參數；

其中，是使用FR由訓練數據故障樣本的特征信息x_i合成的語義相關特征，是由x₁合成的語義相關特征，a是對應于視覺特征x或x₁的語義嵌入。