[發明專利]一種基于增量學習的電機軸承故障診斷方法及裝置

在審

• 申請號: 202211110097.2
• 申請日: 2022-09-13
• 公開（公告）號: CN115563565A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 孫梅迪;肖鑫淼;劉平;龍卓;何哲文;何青
• 申請（專利權）人: 長沙理工大學
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/2415;G06F18/214;G06F18/15;G06N3/084;G06N3/0455;G06N3/092;G06N3/047;G01M13/045
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 鄒大堅;胡君

本發明公開一種基于增量學習的電機軸承故障診斷方法及裝置，該方法步驟包括：在模型訓練階段，分別采集不同類型電機軸承在不同狀態下的運行數據、域數據構成訓練樣本集，進行故障診斷模型訓練，并篩選出代表性樣本；在增量學習階段，當有新增樣本輸入時，判斷是否屬于新增類別或者新增域，根據判斷結果修正新增樣本的權重，以訓練得到的網絡參數為初始條件，將代表性樣本、新增樣本以及修正后的權重輸入至故障診斷模型中以進行模型微調，其中修正后的權重用于計算模型微調過程中的損失函數；在故障診斷階段，將待診斷數據輸入至最終得到的故障診斷模型中進行診斷。本發明具有實現方法簡單、成本低、診斷精度以及效率高且應用范圍廣等優點。

技術領域

本發明涉及電機故障診斷技術領域，尤其涉及一種基于增量學習的電機軸承故障診斷方法及裝置。

背景技術

電機軸承故障包括多種故障類型，例如內圈故障、外圈故障、滾動體故障、保持架故障等，且根據故障尺寸還會涉及不同的故障程度。電機軸承故障診斷即是要通過檢測以及數據處理，自動診斷出電機軸承是否存在故障。基于深度學習的電機軸承故障診斷方法能夠獲得高精度的診斷效果，但是該類方法主要依賴于足量的訓練數據以及訓練集和測試集數據滿足分布相同假設，而在實際應用中，電機軸承多運行于正常狀態，故障數據的獲取不易，很可能是分階段、分批次獲取的，并且電機軸承型號和工況的差異都會導致數據分布差異，上述因素都會導致最終的診斷效果受限。若利用原數據和新數據進行完全的重新訓練，又會造成對計算和存儲資源的消耗問題。

增量學習式的模型訓練方式可以解決上述數據逐步獲取時模型的漸進訓練問題。增量學習方式即是通過將數據以流式獲取，當出現新數據時，再從新數據中學習知識的同時，保留已經學習到的知識，以避免完全重新訓練所帶來的資源浪費。但是現有技術中利用增量學習方式實現設備故障診斷時，通常是直接將新增樣本與代表性樣本作為整體進行訓練，且僅關注識別設備的故障類別，也即為類增量問題(新增樣本是否是新的故障類別)，當應用于實現電機軸承故障診斷時會存在以下問題：

1、在電機軸承故障診斷中，電機軸承型號和運行工況等差異都會導致故障特征的改變，也即雖然故障類別相同，不同的域數據會展示出不同的特征，傳統增量學習方式僅關注類增量問題，無法滿足電機軸承故障診斷中域增量的需求。域增量是指新增樣本是否涉及新的域，即與原有訓練數據不同工況或不同軸承類型的數據，由于域增量數據的存在會導致最終診斷模型的失效，影響故障診斷的精度。

2、由于在增量學習中是直接將代表性樣本和新增樣本作為整體進行訓練，當兩者樣本數量相差較大時，會導致訓練的模型不能很好的表征樣本量少的一方的特征，致使影響模型精度。而現有技術中常用的過采樣少數類、欠采樣多數類或者兩者相結合的方式，又容易導致過擬合或信息丟失的問題，傳統基于生成式對抗網絡的數據生成方法則會存在訓練難度大、收斂性不易保證等的問題。

綜上，現有技術中利用增量學習實現電機軸承故障診斷的方案中，就無法兼顧診斷效率、精度以及成本。

發明內容

本發明要解決的技術問題就在于：針對現有技術存在的技術問題，本發明提供一種實現方法簡單、成本低、診斷精度以及效率高且應用范圍廣的基于增量學習的電機軸承故障診斷方法及裝置。

為解決上述技術問題，本發明提出的技術方案為：

一種基于增量學習的電機軸承故障診斷方法，步驟包括：

在模型訓練階段，分別采集不同類型電機軸承在不同狀態下的運行數據以及不同類型電機軸承在不同狀態下的域數據構成訓練樣本集，基于深度學習網絡使用所述訓練樣本集進行故障診斷模型訓練，并篩選出當前故障診斷模型下的代表性樣本，輸出篩選出的代表性樣本以及訓練得到的模型網絡參數；