CN112084974B - 一种基于元学习的多标签滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公布了一种基于元学习的多标签滚动轴承故障诊断方法，构建滚动轴承的多标签故障数据集，并按故障类别划分为训练集和测试集；提取故障信号的时频签名矩阵特征T‑FSMs；建立基于元学习的多标签卷积神经网络模型MLCML；利用训练集样本训练MLCML模型；使用测试集样本验证训练好的MLCML模型；利用训练好的模型进行小样本多标签滚动轴承的故障诊断。本发明方法充分利用滚动轴承故障样本包含的多重语义，使故障诊断结果更加准确，同时能够通过时频签名矩阵特征和元学习策略更好的解决滚动轴承实际故障诊断中的小样本问题，设计合理、操作简便，具有广泛的应用价值。

Description

一种基于元学习的多标签滚动轴承故障诊断方法

技术领域

本发明属于旋转机械故障诊断技术领域，涉及滚动轴承智能诊断方法，具体涉及一种基于元学习的多标签滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械设备的关键部件，其健康状况对设备的工作效率有着决定性的影响。复杂的结构和恶劣的运行条件使得滚动轴承总是具有较高的故障率，严重时会导致巨大的经济损失和人员伤亡。因此，对滚动轴承的故障诊断具有重大的意义。在现有的众多滚动轴承故障诊断技术中，基于振动信号的智能诊断技术(例如，支持向量机、人工神经网络)是应用最为广泛的技术之一，尤其是基于深度学习的智能诊断技术，因其避免了依赖耗时且不可靠的人工分析且提高了故障诊断的准确性而备受关注。例如Jia等人提出一种具有较深网络结构的深度神经网络用于大量故障数据下的滚动轴承故障诊断。Lu等人利用堆叠去噪自动编码器实现了包含环境噪声和工作条件波动滚动轴承振动信号的故障诊断。Wen等人将信号转换为二维图像后提取特征并采用基于LeNet-5的卷积神经网络对滚动轴承进行故障诊断。

实际的故障诊断中通常由于可能造成巨大的损失故而不允许关键部件处于故障状态，并且关键部件结构和功能的复杂性导致了其故障的多样性，因此难以获得足够的故障样本用于模型的训练，从而限制了许多故障诊断方法的实际应用。该问题是典型的小样本问题，目前已有多种小样本故障诊断方法，例如Ren等人建立了一种基于小样本学习的胶囊自动编码器模型用于智能故障诊断，该方法构造了胶囊自动编码器提取特征胶囊，然后基于动态路由算法将特征胶囊自适应的融合到状态胶囊中，再通过分类器实现故障诊断。该方法需要每种故障条件下的80个样本来训练模型。Li等人提出一种针对时变工作条件下有限样本的深度平衡域自适应网络，并将其应用到行星齿轮箱的故障诊断中。该网络通过使用滚动轴承每种故障条件的10个训练样本取得87.57％的准确率和4.18％的标准差。Hu等人为了解决小样本故障诊断问题，提出一种基于阶次跟踪核心假设的数据增强算法用于数据扩充，并提出一种自适应卷积神经网络用于故障诊断。该方法利用每种故障条件下的两个训练样本，在5％的标准差下达到90％的准确率。另外，若从滚动轴承故障数据本身出发，不难发现一个故障样本通常包含故障位置和直径等多个标签。故障样本的多个标签对应着其多重语义，对滚动轴承故障诊断的性能和实用性有很大影响。

上述故障诊断方法采用单标签学习的方法诊断滚动轴承的单点故障，未考虑单点故障所包含的多重语义，且不能同时输出多个标签，不利于实际的滚动轴承故障诊断。在解决小样本问题时，未提取对小样本故障诊断敏感的故障特征，且小样本故障诊断的准确率有待进一步提高。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于元学习的多标签滚动轴承故障诊断方法，针对小样本问题提取滚动轴承故障信号的时频签名矩阵特征(Time-frequency signature matrix，T-FSM)，构建多标签卷积神经网络(Multi-labelconvolutional neural network，MLCNN)，利用单点故障包含的多重语义进行滚动轴承故障诊断并同时输出多个故障标签，引入学习对任务变化敏感的网络初始参数这一元学习策略，建立具有元学习功能的多标签卷积神经网络(Multi-label convolutional neuralnetwork with meta-learning，MLCML)，以解决滚动轴承故障诊断中的小样本问题并提高诊断性能。本发明方法充分利用滚动轴承故障样本包含的多重语义，使故障诊断结果更加准确，同时能够通过时频签名矩阵特征和元学习策略更好的解决滚动轴承实际故障诊断中的小样本问题，设计合理、操作简便，具有广泛的应用价值。

为方便起见，本发明定义以下参数：

U：滚动轴承故障状态的数量；

M：滚动轴承每个故障信号的长度；

X：故障信号；

Y：故障信号的标签集合；

D：滚动轴承的多标签故障数据集；

Tr：训练集；

Te：测试集；

X_i：第i类故障的故障信号；

Y_i：第i类故障信号的标签集；

m：提取时频特征时所分割的等长样本的数量；

n：表示每个时域样本的长度；

δ：所提取时域特征的个数；

TF_iδ：X_i的第δ个时域特征；

X_i的第j个样本；

x_i(jn)：X_i的第jn个点；

X_i的第j个样本的第δ个时域特征值；

Y_i：X_i的快速傅里叶变换频谱；

y_i(j)：第j条谱线的幅值；

M'：Y_i的谱线数；

k：每个频域样本的长度；

所提取频域特征的个数；

Y_i ^j：X_i第j个样本的频谱；

y_i(jk)：Y_i ^j第jk条谱线的幅值；

X_i的第j个样本的第

个频域特征值；

F_i：X_i的时频特征集；

X_i时频特征集中的第

个特征；

w：滑动窗口的宽；

MT_i：X_i的时频签名矩阵特征；

MT_i ^t：F_i在t处的签名矩阵；

MT_i ^t第i行第j列的元素；

时频特征集F_i中第j个特征的第(t+ε)个元素；

k'：比例因子；

f_θ：多标签卷积神经网络的参数化函数；

θ：多标签卷积神经网络的参数向量；

θ₀：多标签卷积神经网络的初始参数向量；

N：一个子任务中的故障类别数；

K：一个子任务支持集中的样本数；

K'：一个子任务查询集中的样本数；

Z：训练子任务数；

Z'：测试子任务数；

S：子任务的支持集；

Q：子任务的查询集；

T_i：第i个子任务；

l：子任务训练损失；

L：二元交叉熵损失函数；

Y_i：样本的真实标签；

Y'_i：多标签卷积神经网络预测的支持集样本标签；

θ'_i：经过子任务T_i训练后的多标签卷积神经网络参数；

L_Ti：子任务T_i的损失；

Y”_i：多标签卷积神经网络预测的查询集样本标签；

β：学习率；

本方法构建滚动轴承的多标签故障数据集并按故障类别将其划分为训练集和测试集；提取故障信号的时频签名矩阵特征T-FSMs；建立具有元学习功能的多标签卷积神经网络模型MLCML；利用训练集样本训练MLCML模型；使用测试集样本验证训练好的MLCML模型，并将模型应用到待诊断故障的滚动轴承上，实现了小样本多标签滚动轴承的故障诊断。

具体来说，本发明提供的技术方案是：

一种基于元学习的多标签滚动轴承故障诊断方法，包括下列步骤：

A.构建滚动轴承的多标签故障数据集D并将其划分为训练集和测试集，具体步骤如下：

A1.获取某滚动轴承U类故障状态下的振动信号，并取U类中每类故障状态下的振动信号的前M个振动点构成相应故障状态的故障信号；U为滚动轴承故障状态类型的数量；

所述滚动轴承U类故障状态指的是滚动轴承的U种故障类型，如滚动轴承的内圈故障、外圈故障和滚动体故障为3类故障状态；

所述振动信号指滚动轴承处于故障状态时，采用加速度传感器采集的滚动轴承振动信号，为一维时间序列信号；

所述振动点指滚动轴承振动信号中的点，由于滚动轴承振动信号在形式上是一维时间序列信号，因此一个振动点也指一个一维时间序列信号中的一个元素；

A2.确定故障信号的标签集合，包括故障位置、故障尺寸和轴承转速；

A3.利用故障信号及其标签集合构造多标签故障数据集D，D＝{(X_i,Y_i)|1≤i≤U}，其中，X_i为第i类故障的故障信号，Y_i为第i类故障信号的标签集，(X_i,Y_i)为第i类故障的故障样本，U表示滚动轴承故障状态的数量；

A4.将滚动轴承故障样本按照一定比例划分为训练集Tr和测试集Te；

将D的U类故障中一定比例的故障类别对应的故障样本划分为训练集，其余故障类别对应的故障样本划分为测试集，例如，对于包含100类故障的多标签故障数据集D，可按80％的比例将其中80类故障的故障样本划分为训练集，其余20类故障的故障样本划分为测试集；

其中，训练集的划分比例可设置为80％，75％或70％；

B.提取数据集D中所有故障信号的时频签名矩阵特征T-FSMs，具体步骤如下：

B1.提取故障信号X_i的时域和频域特征，具体步骤如下：

B11.按顺序均分的方式将X_i分割为m个等长样本，所述X_i＝{x_i(1),x_i(2),...,x_i(M)}，其中X_i为第i类故障的故障信号，x_i(M)表示X_i的第M个点，M为故障信号X_i的长度，则有n＝M/m，n表示每个时域样本的长度，m为分割成的等长样本的数量，M为故障信号X_i的长度；

B12.按序计算X_i中每个样本的δ个统计特征值获得相应的时域统计特征TF_i1～TF_iδ，其中，对于X_i的第j个样本

计算得到X_i的第j个样本的时域特征值

表示X_i的第j个样本，n表示每个时域样本的长度，x_i(jn)表示X_i的第jn个点；

所述δ为所提取时域特征的个数，其值不小于2；

所述统计特征值可选择但不限于如下特征值，平均值、均方根值、振幅平方根、绝对平均值、方差、最大值、最小值、峰峰值、峰值、标准差、波形因子、峰值因子、脉冲因子、边缘因子、峰度因子和偏度因子；

B13.获取X_i的快速傅里叶变换频谱Y_i＝{y_i(1),y_i(2),...,y_i(M')}，其中Y_i为X_i的快速傅里叶变换频谱，M'表示谱线数，y_i(M')为第M'条谱线的幅值，接着按顺序均分的方式将Y_i分割为m个等长样本，k＝M'/m，k表示每个频域样本的长度，M'表示谱线数，m为分割成的等长样本的数量；

B14.提取X_i的

个频域特征

对于X_i第j个样本的频谱Y_i ^j＝{y_i(jk-k+1),y_i(jk-k+2),...,y_i(jk)}，计算得到频域特征值

Y_i ^j为X_i第j个样本的频谱，k表示每个频域样本的长度，y_i(jk)表示Y_i ^j第jk条谱线的幅值；

所述

为所提取频域特征的个数，其值不小于2；

所述频域特征可选择但不限于如下特征：反映频域振动能量大小的特征，表示频谱分散程度的特征和反映主频带位置变化的特征；

B2.提取X_i的时频签名矩阵特征，具体步骤如下：

B21.将步骤B1中所得时域特征TF_i1～TF_iδ及频域特征

按行拼接得到X_i的时频特征集F_i，

为

的二维矩阵，式中TF_i1～TF_iδ为X_i的δ个时域特征，

为X_i的

个频域特征，

为X_i的时频特征集中的第

个特征；

B22.建立大小为

的滑动窗口，构造X_i的时频签名矩阵特征MT_i，F_i在t处的签名矩阵MT_i ^t由滑动窗口移动到t处时滑动窗口内时频特征向量对之间的内积确定，MT_i ^t第i行第j列的元素

其中，

为MT_i ^t第i行第j列的元素，

表示时频特征集F_i中第j个特征的第(t+ε)个元素，k为比例因子(k＝w)；

C.建立具有元学习功能的多标签卷积神经网络模型MLCML，具体步骤如下：

C1.建立结构如图1所示的多标签卷积神经网络MLCNN，并以参数化的函数f_θ表示所建立的多标签卷积神经网络，θ为多标签卷积神经网络的参数向量，其中：

C11.所述MLCNN的输入层由步骤B中提取的时频签名矩阵的大小确定；

C12.所述MLCNN具有4个卷积层，卷积通道数为64，前三个卷积层卷积核的大小为3x3，第四个卷积层卷积核大小为2x2；

C13.所述MLCNN的输出层是全连接层，神经元数量与标签集中标签的数量相同，使用sigmoid激活函数和二元交叉熵损失函数；

C14.所述MLCNN采用multi-hot编码，即每个样本的标签向量在多个索引处为1；

C2.利用学习对任务变化敏感的模型初始参数这一元学习策略，学习f_θ的网络初始参数θ₀，具体步骤如下：

所述任务变化中的任务指的是N-way K-shot任务，亦指N分类故障诊断任务；

所述对任务变化敏感的网络初始参数在面对新的N分类故障诊断任务时，这些参数的微小变化能引起损失函数很大的变化，从而达到使用少量训练数据即能使损失快速下降的效果；

所述元学习策略通过任务学习的模式训练网络的初始参数，使其在面对未经训练的新类别时，只需要少数样本和少量步数更新即可适应新的故障类别，由于测试集与训练集中无重复的故障类别，因此测试集中的故障类别对于训练后的模型是新的故障类别；

C21.利用训练集Tr生成Z个训练子任务，利用测试集Te生成Z'个测试子任务，生成一个子任务的具体步骤如下：

所述子任务指的是N-way K-shot任务，在小样本测试过程中，K一般设为1或5；

C211从训练集/测试集中随机选择N个类别；

C212随机选择N个类别中每个类别下的K个样本组成子任务的支持集S；

所述支持集指的是子任务的训练集；

C213选择此N个类别中每个类别下的不同于支持集中K个样本的K'个样本组成子任务的查询集Q；

所述查询集指的是子任务的测试集；

C22.采用Z/5个元学习任务训练网络初始参数θ₀，一个元学习任务完成一次网络初始参数的更新，一个元学习任务的具体学习步骤如下：

所述一个元学习任务由5个训练集生成的子任务组成：

C221输入子任务T_i支持集S中所有样本的X_i到多标签卷积神经网络，输出向量Y'_i；

C222利用二元交叉熵损失函数计算损失l并通过梯度下降更新网络参数θ；

所述计算损失的方式为l＝L(Y'_i,Y_i)＝-Y_ilogY'_i-(1-Y_i)log(1-Y'_i)，式中l为子任务训练损失，L为二元交叉熵损失函数，Y_i是样本的真实标签，Y'_i为多标签卷积神经网络预测的支持集样本标签；

C223重复步骤C221至步骤C222u次，网络参数由θ₀更新为θ'_i；

所述u的范围为10≤u≤20；

C224输入子任务T_i查询集Q中所有样本的X_i到参数为θ'_i的多标签卷积神经网络

输出向量Y”_i；

C225利用二元交叉熵损失函数计算子任务T_i的损失L_Ti；

所述损失

的计算方式为

为子任务T_i的损失，L为二元交叉熵损失函数，Y_i是样本的真实标签，Y”_i为多标签卷积神经网络预测的查询集样本标签；

C226重复步骤C221至C225,获取每个子任务T_i的训练损失

并将一个元学习任务中5个子任务得到的损失

相加得到一个元学习任务的损失；

C227通过梯度下降法更新网络的初始参数θ₀，

θ₀为多标签卷积神经网络的初始参数，

为子任务T_i的损失，β为学习率；

D.利用训练集样本训练MLCML模型，具体步骤如下：

D1.按照步骤C21所述，利用训练集Tr生成Z个训练子任务；

D2.按C22所述方法训练MLCML模型，学习对任务变化敏感的网络初始参数；

E.使用测试集样本验证训练好的MLCML模型，具体步骤如下：

E1.按照步骤C21所述，利用训练集Te生成Z'个测试子任务；

E2.采用训练得到的网络初始参数，利用每个测试子任务支持集S中所有样本微调多标签神经网络的参数，使其适应新的任务类别，微调过程与步骤C221至C223相同；

E3.将每个测试子任务查询集Q中的所有样本输入微调后的多标签卷积神经网络，输出分类结果并计算诊断精度；

E4.对所有测试子任务的诊断精度求平均值，作为模型的最终诊断结果，实现基于元学习的多标签滚动轴承故障诊断。

与现有技术相比，本发明的有益效果是：

本发明的技术优点是通过多标签学习能够同时输出故障的多个属性，且仅利用少量故障样本就能快速准确的诊断故障，有助于实际故障诊断中及时了解设备状态，便于有针对性地采取维修措施及时解决设备问题，对维修人员及时高效的排除故障、防止危害性事故发生、提高维修保障能力具有重要意义。

附图说明

图1是本发明提供的多标签卷积神经网络结构图。

图2是本发明提供的基于元学习的多标签故障诊断方法流程图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

以下实施例采用西储大学(Case Western Reserve University)轴承数据中心实测的滚动轴承振动数据，详细叙述本发明提供的诊断方法的实施过程。

方法流程图如图2所示。本发明方法包括：1)构建滚动轴承的多标签故障数据集并按故障类别将其划分为训练集和测试集；2)提取故障信号的时频签名矩阵特征T-FSMs；3)建立具有元学习功能的多标签卷积神经网络模型MLCML；4)利用训练集样本训练MLCML模型；5)使用测试集样本验证MLCML模型，并将模型应用到公开实测数据的实验室滚动轴承上，实现了小样本多标签故障诊断。具体实施步骤如下：

1.构建某滚动轴承的多标签故障数据集并按故障类别将其划分为训练集和测试集，具体步骤如下：

1.1.获取该滚动轴承44类故障状态下的振动信号，并取44类中每类故障状态下的振动信号的前102400个振动点构成相应故障状态的故障信号；

1.2.确定故障信号的标签集合，包括故障位置、故障尺寸和轴承转速；

1.3.利用故障信号及其标签集合构造多标签故障数据集D，D＝{(X_i,Y_i)|1≤i≤44}，数据集D如表3所示；

表3数据集D

1.4.将滚动轴承故障样本按照一定比例划分为训练集Tr和测试集Te，将D的U类故障中一定比例的故障类别对应的故障样本划分为训练集，其余故障类别对应的故障样本划分为测试集，划分情况如表4所示；

表4训练集和测试集的划分情况

2.提取数据集D中44个故障信号的时频签名矩阵特征T-FSMs，具体步骤如下：

2.1.提取X_i的29个时域和频域特征，具体步骤如下：

2.1.1.按顺序均分的方式将X_i＝{x_i(1),x_i(2),...,x_i(102400)}分割为100个等长样本，每个样本的长度为1024；

2.1.2.按序计算X_i中每个样本的16个特征值获得相应的时域统计特征TF_i1～TF_i16，包括平均值、均方根值、振幅平方根、绝对平均值、方差、最大值、最小值、峰峰值、峰值、标准差、波形因子、峰值因子、脉冲因子、边缘因子、峰度因子和偏度因子；

其中，对于X_i的第j个样本

特征值

的计算方式如表1所示，其中，p表示第j个样本的第p个元素；

表1时域统计特征计算公式

2.1.3.获取X_i的快速傅里叶变换频谱Y_i＝{y_i(1),y_i(2),...,y_i(102400)}，并分割为100个等长样本，每个样本的长度为1024；

2.1.4.提取X_i的13个频域特征FF_i1～FF_i13,FF_i1反映频域振动能量的大小，FF_i2～FF_i4，FF_i6，和FF_i10～FF_i13表示频谱的分散程度，FF_i5和FF_i7～FF_i9反映主频带的位置变化；

其中，对于X_i第j个样本的频谱Y_i ^j＝{y_i(jk-k+1),y_i(jk-k+2),...,y_i(jk)}，特征值

的计算方式如表2所示，其中，q表示第j个样本频谱的第q条谱线，ff_q表示频谱中第q条谱线的频率值；

表2频域统计特征计算公式

2.2.提取X_i的时频签名矩阵特征，具体步骤如下：

2.2.1.将TF_i1～TF_i16及FF_i1～FF_i13按行拼接得到X_i的时频特征集F_i，F_i＝[TF_i1,...,TF_i16,FF_i1,...,FF_i13]^T＝[h_i1,h_i2,...,h_i29]^T，为29×100的二维矩阵；

2.2.2.建立大小为29×10的滑动窗口，以滑动步长为1构造X_i的时频签名矩阵特征MT_i，F_i在t处的签名矩阵MT_i ^t由滑动窗口移动到t处时滑动窗口内时频特征向量对之间的内积确定，MT_i ^t第i行第j列的元素

3.建立具有元学习功能的多标签卷积神经网络模型MLCML，具体步骤如下：

3.1.建立结构如图1所示的多标签卷积神经网络MLCNN，并以参数化的函数f_θ表示所建立的多标签卷积神经网络，θ为多标签卷积神经网络的参数向量，其中：

3.1.1.所述MLCNN的输入层由步骤2中提取的时频签名矩阵的大小确定；

3.1.2.所述MLCNN具有4个卷积层，卷积通道数为64，前三个卷积层卷积核的大小为3x3，第四个卷积层卷积核大小为2x2；

3.3.3.所述MLCNN的输出层是全连接层，神经元数量与标签集中标签的数量相同，使用sigmoid激活函数和二元交叉熵损失函数；

3.1.4.所述MLCNN采用multi-hot编码，即每个样本的标签向量在多个索引处为1；

3.2.利用学习对任务变化敏感的模型初始参数这一元学习策略学习f_θ的网络初始参数θ₀，具体步骤如下：

3.2.1.利用训练集Tr生成56000个训练子任务，利用测试集Te生成100个测试子任务，生成一个子任务的具体步骤如下：

3.2.1.1从训练集/测试集中随机选择N个类别，实例例中N分别设为5和9；

3.2.1.2随机选择N个类别中每个类别下的K个样本组成子任务的支持集S；

3.2.1.3选择此N个类别中每个类别下的不同于支持集中K个样本的15个样本组成子任务的查询集Q；

3.2.2.采用11200个元学习任务训练网络初始参数θ₀，一个元学习任务完成一次网络初始参数的更新，一个元学习任务的具体学习步骤如下：

3.2.2.1输入子任务T_i支持集S中所有样本的X_i到MLCNN，输出向量Y'_i；

3.2.2.2利用二元交叉熵损失函数计算损失并通过梯度下降更新网络参数θ；

所述计算损失的方式为L(Y'_i,Y_i)＝-Y_ilogY'_i-(1-Y_i)log(1-Y'_i)，Y_i是X_i的真实标签；

3.2.2.3重复步骤3.2.2.1至步骤3.2.2.2，重复次数为10次，网络参数由θ₀更新为θ'_i；

3.2.2.4输入子任务T_i查询集Q中所有样本的X_i到参数为θ'_i的多标签卷积神经网络

输出向量Y”_i；

3.2.2.5利用二元交叉熵损失函数计算任务T_i的损失L_Ti；

所述损失

的计算方式为L(Y”_i,Y_i)＝-Y_ilogY”_i-(1-Y_i)log(1-Y”_i)，Y_i是X_i的真实标签；

3.2.2.6重复步骤3.2.2.1至3.2.2.5，获取每个子任务T_i的训练损失

并将一个元学习任务中5个子任务得到的损失

相加得到一个元学习任务的损失；

3.2.2.7更新网络的初始参数θ₀，

θ₀为多标签卷积神经网络的初始参数，

为子任务T_i的损失，β为学习率；

4.利用训练集样本训练MLCML模型，具体步骤如下：

4.1.按照步骤3.2.1所述，利用训练集Tr生成56000个训练子任务；

4.2.按3.2.2所述方法训练MLCML模型，学习对任务变化敏感的网络初始参数；

5.使用测试集样本验证训练好的MLCML模型，具体步骤如下：

5.1.按照步骤3.2.1所述，利用训练集Te生成100个测试子任务；

5.2.采用训练得到的网络初始参数，利用每个测试子任务支持集S中所有样本微调多标签神经网络的参数，使其适应新的任务类别，微调过程与步骤3.2.2.1至3.2.2.3相同；

5.3.将每个测试子任务查询集Q中的所有样本输入微调后的MLCNN，输出分类结果并计算诊断精度；

5.4.对所有测试子任务的诊断精度求平均值，作为模型的最终诊断结果,实现基于元学习的多标签滚动轴承故障诊断，结果如表5所示。

表5滚动轴承小样本多标签故障诊断结果

本发明的方法实现了基于元学习的多标签滚动轴承故障诊断，通过5个步骤能够实现对小样本故障的有效诊断，并能同时输出多个故障属性，包括故障位置、故障尺寸等，便于有针对性地采取维修措施及时解决系统问题，具有很高的经济效益。

最后需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (7)

1.一种基于元学习的多标签滚动轴承故障诊断方法，构建滚动轴承的多标签故障数据集，并按故障类别划分为训练集和测试集；提取故障信号的时频签名矩阵特征T-FSMs；建立基于元学习的多标签卷积神经网络模型MLCML；利用训练集样本训练MLCML模型；使用测试集样本验证训练好的MLCML模型；利用训练好的模型进行小样本多标签滚动轴承的故障诊断；包括下列过程：

A.构建滚动轴承的多标签故障数据集D，并划分为训练集Tr和测试集Te；

滚动轴承的多标签故障数据集D＝{(X_i,Y_i)|1≤i≤U}，其中，X_i为第i类故障的故障信号，Y_i为第i类故障信号的标签集，(X_i,Y_i)为第i类故障的故障样本，U表示滚动轴承故障状态类型的数量；每类故障状态下的振动信号的前M个振动点构成相应故障状态的故障信号；

B.提取D中所有故障信号的时频签名矩阵特征T-FSMs，包括如下步骤：

B1.提取故障信号X_i的时域和频域特征，具体步骤如下：

B11.将X_i分割为m个等长样本，所述X_i＝{x_i(1),x_i(2),...,x_i(M)}，其中X_i为第i类故障的故障信号，x_i(M)表示X_i的第M个振动点，M为故障信号X_i的长度；n＝M/m，n表示每个时域样本的长度，m为分割成的等长样本的数量，M为故障信号X_i的长度；

B12.计算X_i中每个样本的δ个统计特征值，获得相应的时域统计特征TF_i1～TF_iδ，其中，δ为所提取时域特征的个数，其值不小于2；对于X_i的第j个样本

计算得到X_i的第j个样本的时域特征值

表示X_i的第j个样本，n表示每个时域样本的长度，x_i(jn)表示X_i的第jn个振动点；

B13.获取X_i的快速傅里叶变换频谱Y_i＝{y_i(1),y_i(2),...,y_i(M')}，其中Y_i为X_i的快速傅里叶变换频谱，M'表示谱线数，y_i(M')为第M'条谱线的幅值；接着将Y_i分割为m个等长样本，k＝M'/m，k表示每个频域样本的长度，M'表示谱线数，m为分割成的等长样本的数量；

B14.提取X_i的

个频域特征

对于X_i第j个样本的频谱

计算得到频域特征值

Y_i ^j为X_i第j个样本的频谱，k表示每个频域样本的长度，y_i(jk)表示Y_i ^j第jk条谱线的幅值；所述

为所提取频域特征的个数，其值不小于2；

B2.提取X_i的时频签名矩阵特征，具体步骤如下：

B21.将步骤B1中所得时域特征TF_i1～TF_iδ及频域特征

按行拼接得到X_i的时频特征集

为

的二维矩阵；其中，TF_i1～TF_iδ为X_i的δ个时域特征，

为X_i的

个频域特征，

为X_i的时频特征集中的第

个特征；

B22.建立大小为

的滑动窗口，设定滑动步长，构造X_i的时频签名矩阵特征MT_i，F_i在t处的签名矩阵MT_i ^t由滑动窗口移动到t处时滑动窗口内时频特征向量对之间的内积确定，MT_i ^t第i行第j列的元素

其中，

为MT_i ^t第i行第j列的元素，

表示时频特征集F_i中第j个特征的第(t+ε)个元素，k为比例因子，k＝w；

C.建立具有元学习功能的多标签卷积神经网络模型MLCML，具体步骤如下：

C1.建立多标签卷积神经网络MLCNN，并以参数化的函数f_θ表示所建立的多标签卷积神经网络，θ为多标签卷积神经网络的参数向量；MLCNN包括：输入层、多个卷积层和输出层；MLCNN的输出层是全连接层，神经元数量与标签集中标签的数量相同，使用sigmoid激活函数和二元交叉熵损失函数；所述MLCNN采用multi-hot编码；

C2.利用元学习策略，即对任务变化敏感的网络模型初始参数进行学习，学习f_θ的网络初始参数θ₀，具体步骤如下：

所述任务变化中的任务指的是N-way K-shot任务，即N分类故障诊断任务；

所述对任务变化敏感的网络模型初始参数在面对新的N分类故障诊断任务时，参数的微小变化能引起损失函数大的变化，使用少量训练数据即能使损失快速下降；

所述元学习策略通过任务学习的模式训练网络模型的初始参数，在面对未经训练的新类别时，只需要少数样本和少量步数更新即可适应新的故障类别；测试集与训练集中无重复的故障类别，测试集中的故障类别对于训练后的模型是新的故障类别；

C21.利用训练集Tr生成Z个训练子任务，利用测试集Te生成Z'个测试子任务，所述子任务指的是N-way K-shot任务；生成一个子任务的具体步骤如下：

C211从训练集或测试集中随机选择N个类别；

C212随机选择N个类别中每个类别下的K个样本组成子任务的支持集S；所述支持集指的是子任务的训练集；

C213选择N个类别中每个类别下的不同于支持集中K个样本的K'个样本，组成子任务的查询集Q；所述查询集指的是子任务的测试集；

C22.采用Z/5个元学习任务训练网络模型初始参数θ₀，一个元学习任务完成一次网络初始参数的更新，所述一个元学习任务由5个训练集生成的子任务组成；一个元学习任务的具体学习步骤如下：

C221输入子任务T_i支持集S中所有样本的X_i到多标签卷积神经网络，输出向量Y_i'；

C222利用二元交叉熵损失函数计算损失l并通过梯度下降更新网络参数θ；

所述计算损失的方式为l＝L(Y_i',Y_i)＝-Y_ilogY_i'-(1-Y_i)log(1-Y_i')，式中l为子任务训练损失，L为二元交叉熵损失函数，Y_i是样本的真实标签，Y_i'为多标签卷积神经网络预测的支持集样本标签；

C223重复步骤C221至步骤C222多次，网络参数由θ₀更新为θ'_i；

C224输入子任务T_i查询集Q中所有样本的X_i到参数为θ'_i的多标签卷积神经网络

输出向量Y_i”；

C225利用二元交叉熵损失函数计算子任务T_i的损失

所述损失

的计算方式为

为子任务T_i的损失，L为二元交叉熵损失函数，Y_i是样本的真实标签，Y_i”为多标签卷积神经网络预测的查询集样本标签；

C226重复步骤C221至C225,获取每个子任务T_i的训练损失

并将一个元学习任务中5个子任务得到的损失

相加得到一个元学习任务的损失；

C227通过梯度下降法更新网络的初始参数θ₀，

θ₀为多标签卷积神经网络的初始参数，

为子任务T_i的损失，β为学习率；

D.利用训练集样本训练MLCML模型，具体步骤如下：

D1.按照步骤C21的方法，利用训练集Tr生成Z个训练子任务；

D2.按C22的方法训练MLCML模型，学习对任务变化敏感的网络初始参数；

E.使用测试集样本验证训练好的MLCML模型，具体步骤如下：

E1.按照步骤C21的方法，利用训练集Te生成Z'个测试子任务；

E2.采用训练得到的网络初始参数，利用每个测试子任务支持集S中所有样本微调多标签神经网络的参数，使其适应新的任务类别；微调过程与步骤C221至C223相同；

E3.将每个测试子任务查询集Q中的所有样本输入微调后的多标签卷积神经网络，输出分类结果并计算诊断精度；

E4.对所有测试子任务的诊断精度求平均值，作为模型的最终诊断结果；

由此实现基于元学习的多标签滚动轴承故障诊断。

2.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，步骤A构建滚动轴承的多标签故障数据集D的具体步骤如下：

A1.获取滚动轴承U类故障状态下的振动信号，并取U类中每类故障状态下的振动信号的前M个振动点构成相应故障状态的故障信号；

A2.确定故障信号的标签集合Y，包括故障位置、故障尺寸和轴承转速；

A3.利用故障信号及其标签集合构造多标签故障数据集D，D＝{(X_i,Y_i)|1≤i≤U}，其中，X_i为第i类故障的故障信号，Y_i为第i类故障信号的标签集，(X_i,Y_i)为第i类故障的故障样本，U表示滚动轴承故障状态的数量；

A4.将滚动轴承故障样本按照一定比例划分为训练集Tr和测试集Te；

将D的U类故障中一定比例的故障类别对应的故障样本划分为训练集，其余故障类别对应的故障样本划分为测试集；其中，训练集的划分比例可设置为80％，75％或70％。

3.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，步骤B11将X_i分割为m个等长样本和步骤B13将Y_i分割为m个等长样本，均按顺序均分的方式进行分割。

4.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，步骤B12中，所述统计特征值包括：平均值、均方根值、振幅平方根、绝对平均值、方差、最大值、最小值、峰峰值、峰值、标准差、波形因子、峰值因子、脉冲因子、边缘因子、峰度因子和偏度因子中的一种或多种。

5.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，步骤B14中，所述频域特征包括：反映频域振动能量大小的特征、表示频谱分散程度的特征和反映主频带位置变化的特征的一种或多种。

6.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，步骤C1建立多标签卷积神经网络MLCNN，其中，所述MLCNN的输入层由步骤B中提取的时频签名矩阵的大小确定；所述MLCNN具有4个卷积层，卷积通道数为64，前三个卷积层卷积核的大小为3x3，第四个卷积层卷积核大小为2x2。

7.如权利要求1所述基于元学习的多标签滚动轴承故障诊断方法，其特征是，所述子任务为N-way K-shot任务，其中K设为1或5。

Images