[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

本發明公開了零試學習和特征提取的旋轉機械故障診斷方法，屬于深度學習和故障診斷領域，包括特征細化模塊主要解決現有大多數方法存在的跨數據集偏差問題，該模塊將語義視覺映射整合到一個統一的生成模型中，以細化可見和不可見類樣本的視覺特征，引入了自適應邊緣中心損失來明確鼓勵類內緊湊性和類間可分性，它與語義循環一致性約束結合，使特征細化模塊能夠學習更有區別的與類和語義相關的特征表示，本發明不僅有效地解決了跨數據集偏差問題，避免微調的低效和過擬合風險，并且具有顯著的性能增益。

技術領域

本發明涉及旋轉機械故障診斷技術領域，尤其是零試學習和特征提取的旋轉機械故障診斷方法。

背景技術

進入21世紀以來，機械設備的使用促進了國民經濟的發展，而且為生產生活帶來極大便利。目前，機械設備朝著智能化、精密化發展，然而由于零部件之間的相關性，一個微小的故障可能引起嚴重的后果，造成巨大的人力物力的損失。

在實際環境中，機械故障診斷又面臨巨大的挑戰。由于機械設備在高溫、高壓等惡劣環境下工作，機械負載會發生變化，而且數據類型豐富，但單一數據類型少，增加了檢測故障的難度。同時，由于設備監測周期長、監測點多，會得到海量數據，但海量數據中尋找有用的數據又為機械故障診斷增加了難度。

針對故障數據稀缺問題，研究者曾在實驗室里模擬故障樣本，但模擬故障樣本難以與真實數據相比較。面對實際問題，學者們旨在希望通過極少樣本的訓練實現故障診斷。

發明內容

本發明需要解決的技術問題是提供零試學習和特征提取的旋轉機械故障診斷方法，通過使用極少樣本學習的方式，建立一個學習已有數據類型檢測新類別的旋轉機械故障診斷方法。此外，為了使模型對旋轉機械如軸承或齒輪的檢測性能更優，為此我們提出了一種新的廣義的零試學習(Generalized zero-shot learning,GZSL)方法，該方法不僅可以解決數據量不足的問題，而且對跨數據集偏差問題進一步修正，最后高準確率識別與訓練同分布樣本和新類別樣本的旋轉機械故障。

為解決上述技術問題，本發明所采用的技術方案是：零試學習和特征提取的旋轉機械故障診斷方法，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。

本發明技術方案的進一步改進在于：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。

本發明技術方案的進一步改進在于：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：