[發明專利]跨不同數據集小樣本遷移學習的軸承故障診斷方法

在審

• 申請號: 202211337071.1
• 申請日: 2022-10-28
• 公開（公告）號: CN115563569A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 李少波;張儀宗;張安思;邱凌
• 申請（專利權）人: 貴州大學
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/214;G06F18/22
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 王照偉

1.跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于,包括以下步驟：

S1.按照劃分規則對軸承故障進行分類，形成不同的故障種類；

S2.收集模擬故障數據形成訓練樣本，按照構建方式用訓練樣本構建軸承故障診斷模型，并形成初始支撐集；對初始支撐集中模擬數據群按照故障種類進行分類，得到包含多個模擬數據組的原支撐集；

S3.根據故障種類，在每類故障種類中獲得若干個真實故障數據，構成真實故障樣本；

S4.將原支撐集中模擬數據和真實故障樣本中數據按照故障種類建立對應關系；

S5.按照替換策略根據對應關系用真實故障樣本替換原支撐集中模擬數據組，得到目標支撐集，形成目標故障診斷模型；

S6.按照檢測策略用目標故障診斷模型對目標設備軸承進行健康狀態診斷，獲得目標設備軸承當前健康狀態。

2.根據權利要求1所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述劃分規則為按照軸承結構位置將軸承故障分為Z大類。

3.根據權利要求2所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述劃分規則還包括在形成的Z大類中按照軸承運行狀態將軸承故障分為Q小類。

4.根據權利要求3所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：每小類故障種類中獲得的真實故障數據為1-5個。

5.根據權利要求3所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述替換策略包括兩種，一種為根據故障種類進行替換；一種為按照故障種類將真實故障樣本添加至原支撐集中。

6.根據權利要求1所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述構建方式為對軸承故障診斷模型構建訓練的次數為80-100次。

7.根據權利要求1所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述檢測策略包括兩種，分別為一次性測試和N次測試。

8.根據權利要求3所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述Z大類故障種類為3-5類；所述Q小類為5-8類。

9.根據權利要求4所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：還包括對每小類故障種類中獲得的真實故障數據按照故障損壞程度進行分級。

10.根據權利要求9所述的跨不同數據集小樣本遷移學習的軸承故障診斷方法，其特征在于：所述故障損壞程度分為3-4級。