[發(fā)明專利]一種基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法

在審

• 申請?zhí)枺?/td>: 202210236017.1
• 申請日: 2022-03-11
• 公開（公告）號: CN114861749A
• 公開（公告）日: 2022-08-05
• 發(fā)明（設(shè)計）人: 王金瑞;張驍;韓寶坤;張宗振;鮑懷謙;季珊珊
• 申請（專利權(quán)）人: 山東科技大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G01M13/045
• 代理公司: 青島潤集專利代理事務(wù)所(普通合伙) 37327
• 代理人: 趙以芳

本發(fā)明公開了一種基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法，涉及軸承故障診斷技術(shù)技術(shù)領(lǐng)域，包括：支持集原型計算：采用改進(jìn)的k?means++聚類算法計算支持集中每個故障類別的原型；查詢集判別分類：將支持集原型應(yīng)用到查詢集的判別分類中；查詢集樣本聚合：構(gòu)造原型損失；測試集樣本測試：測試集樣本經(jīng)過更新后的特征提取器處理后，將與每個已知故障類別的原型進(jìn)行距離測量。本發(fā)明利用特征聚類算法k?means++計算每個已知類的原型，通過計算標(biāo)記后的目標(biāo)樣本到原型的歐氏距離，將標(biāo)記后的目標(biāo)樣本分配到距離最近的原型類中。還構(gòu)造原型損失以增強(qiáng)故障標(biāo)記樣本與對應(yīng)原型之間的緊湊性，既可識別已知故障類別樣本，又能有效地剔除來自未知類別的故障樣本。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承振動信號的故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法。

背景技術(shù)

在現(xiàn)代工業(yè)生產(chǎn)中，軸承起著動力傳輸?shù)淖饔?，作為主要的旋轉(zhuǎn)部件在連續(xù)工作狀態(tài)下容易發(fā)生故障，對設(shè)備造成損壞，造成經(jīng)濟(jì)損失或人員傷亡。為了保證機(jī)械的穩(wěn)定運(yùn)行，避免故障的發(fā)生，智能故障診斷方法被廣泛應(yīng)用于軸承的健康監(jiān)測中。

傳統(tǒng)的故障診斷方法中，訓(xùn)練和測試樣本一般均來自同一工況，且故障類型均為已知的。在實際情況中，由于受到工況變化等不確定因素的影響，機(jī)械有時會出現(xiàn)不可預(yù)料的未知故障，而這些故障的標(biāo)簽很難在實驗室的環(huán)境下采集到。因此，我們還需要關(guān)注一個域自適應(yīng)場景，即開放集域自適應(yīng)場景。在該場景中，需要實現(xiàn)從一個小的源域向一個更大的目標(biāo)域的診斷知識遷移，由于目標(biāo)域中未知故障類別的存在，很容易將這些故障類別的樣本劃分為已知類，這會對之后的維修工作帶來不便，如果換錯了故障零件，甚至?xí)l(fā)安全事故，所以在這一場景中，既需要對已知故障類別樣本進(jìn)行精確分類，還需要準(zhǔn)確地剔除未知故障類別樣本，并與已知的故障類別樣本區(qū)分開來，方便相關(guān)維修人員進(jìn)行故障排查。此外，在實際情況中，訓(xùn)練模型很難獲得大量的標(biāo)注數(shù)據(jù)。

綜上，研究一種更加智能的算法模型用于開放集域自適應(yīng)場景下的少樣本軸承故障診斷，是目前亟待解決的問題。

發(fā)明內(nèi)容

為解決上述技術(shù)問題，本發(fā)明公開了一種基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法，既可識別已知故障類別樣本，又能有效地剔除來自未知類別的故障樣本。

為實現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：

根據(jù)本發(fā)明實施例的第一方面，提供了一種基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法。

在一個實施例中，基于深度原型網(wǎng)絡(luò)的少樣本軸承故障診斷方法，包括以下步驟：

支持集原型計算：采用改進(jìn)的k-means++聚類算法計算支持集中每個故障類別的原型；

查詢集判別分類：將支持集原型應(yīng)用到查詢集的判別分類中，查詢集包含已知故障類別的目標(biāo)標(biāo)記樣本；

查詢集樣本聚合：構(gòu)造原型損失，減小查詢集樣本到相應(yīng)原型的特征距離；

測試集樣本測試：測試集樣本經(jīng)過更新后的特征提取器處理后，將與每個已知故障類別的原型進(jìn)行距離測量，如果測試集樣本到原型的特征距離小于對應(yīng)的決策距離，則該測試集樣本與該原型屬于同一故障類別；如果測試集樣本到任意原型的特征距離大于所有類別的決策距離，則該測試集樣本為未知故障類別樣本。

可選地，所述支持集原型計算的步驟，包括：

步驟(1)，假設(shè)支持集有k個故障類別：在k-means++聚類算法中，隨機(jī)選取k個樣本作為初始聚類中心C＝{c₁,c₂,...,c_k}，即原型；

步驟(2)，對于支持集中的每個樣本x^s，計算其到k個聚類中心的距離，并將每個樣本分配到距離最小的聚類中心對應(yīng)的聚類中；