[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

本發明涉及軸承故障診斷技術領域，公開了跨不同數據集小樣本遷移學習的軸承故障診斷方法，所述方法包括將故障進行分類，并將通過訓練樣本得到的軸承故障診斷模型按照故障種類進行分類，得到原支撐集；根據故障種類采集真實故障樣本，并用真實故障樣本替換原支撐集中數據，得到目標支撐集的目標故障診斷模型。用目標故障診斷模型對目標軸承進行健康狀態診斷，獲得軸承當前健康狀態。本申請通過將故障進行分類，保證故障數據的全面性。并可通過少量的真實故障樣本獲得更精準的目標故障診斷模型，以此減少大量故障數據的獲取過程，降低真實數據的獲取難度；同時可保證數據的穩定性和有效性；從而提高診斷精準度，提升診斷結果的可靠性。

技術領域

本發明涉及軸承故障診斷技術領域，具體涉及跨不同數據集小樣本遷移學習的軸承故障診斷方法。

背景技術

軸承是許多重要機械設備的核心基礎部件，其可靠性對設備性能至關重要。而軸承一旦發生故障，就會導致設備的安全性能降低，甚至嚴重時引起設備功能喪失，造成嚴重的經濟損失和人員傷亡。因此，對軸承健康狀態的及時診斷非常重要。

而隨著科學的不斷發展，現已衍生出大量的機器學習方法來實現對軸承故障的診斷。然而，現在的機器學習方法都是依賴于大量的實驗模擬數據進行訓練學習后，形成診斷模型，然后將診斷模型應用于實際機器設備的故障診斷中。但是，由于設備在實際運行時，軸承所受到的干擾因素較多且干擾因素不穩定，導致通過診斷模型檢測的故障結果不夠精確，使軸承故障無法及時有效的被獲知。

那么，為了提升對軸承故障診斷的精確性，就要不斷提升診斷模型的精準度，而診斷模型由大量的實驗模擬數據訓練學習而來，因此就需要不斷提升實驗模擬數據的精準度。而最近，一些研究人員也嘗試通過數據過度采樣和數據生成的方式來擴大診斷模型的訓練數據范圍，以此提高診斷模型的學習范圍。但是，這就導致機器學習的數據量越來越大，運算量越來越復雜；并且訓練數據是通過實驗室模擬而來，訓練所采用的數據始終具有一定的局限性，無法保證所用數據的質量，在實際運用中依然存在檢測結果差異大的問題。

因此，針對在實際設備運行時，對軸承故障診斷運算量大，且診斷結果不夠精準不穩定的問題，現在需要提供跨不同數據集小樣本遷移學習的軸承故障診斷方法。

發明內容

本發明意在提供跨不同數據集小樣本遷移學習的軸承故障診斷方法，解決對軸承故障診斷不夠準確的問題。

為達到上述目的，本發明采用如下技術方案：

本發明用于通過跨不同設備，在各設備不同運行狀態下獲取的數據集，形成少量的真實故障樣本，提升在實際軸承健康狀態檢測中的準確性和穩定性，提升診斷效率，具體為跨不同數據集小樣本遷移學習的軸承故障診斷方法，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。

本方案的原理及優點是：