CN113627317A - 一种基于单样本学习的电机轴承故障诊断方法 - Google Patents

一种基于单样本学习的电机轴承故障诊断方法 Download PDF

Info

Publication number
CN113627317A
CN113627317A CN202110902959.4A CN202110902959A CN113627317A CN 113627317 A CN113627317 A CN 113627317A CN 202110902959 A CN202110902959 A CN 202110902959A CN 113627317 A CN113627317 A CN 113627317A
Authority
CN
China
Prior art keywords
motor bearing
fault diagnosis
network
sample
method based
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110902959.4A
Other languages
English (en)
Inventor
王兵
周阳
王子
李敏杰
米春风
杨海娟
汪文艳
卢琨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN202110902959.4A priority Critical patent/CN113627317A/zh
Publication of CN113627317A publication Critical patent/CN113627317A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于单样本学习的电机轴承故障诊断方法，属于计算机技术领域，包括以下步骤：设置每类不同样本数量和添加不同噪声强度；对已有的电机轴承一维振动信号进行数据扩充；将处理后的数据作为输入送入网络中进行训练和网络参数迭代更新；对测试样本进行故障诊断从而判别模型性能。本发明基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点。

Description

一种基于单样本学习的电机轴承故障诊断方法
技术领域
本发明涉及计算机技术领域，具体涉及一种基于单样本学习的电机轴承故障诊断方法。
背景技术
随着技术和科学的快速发展，现代工业机械设备越来越功能复杂。旋转机械是现代工业应用中最重要的设备之一。滚动元件轴承，也被称为滚动轴承，是旋转机械的常见部件，滚动轴承故障会影响旋转机械的正常运行，造成严重的设备损坏和经济成本，有时甚至造成人员伤亡。许多研究表明，40-50％的旋转机械故障是直接由滚动轴承故障直接引起的。因此，有效、快速、准确地诊断滚动轴承状态尤为重要，这个问题在前几年引起了研究人员和工程师的高度关注。
基于轴承振动信号的轴承故障诊断一般可分为两部分：特征提取和分类。但是并非所有的特征都对诊断有用，许多特征不仅增加了计算负担也会降低故障分类的精度。所以，之前大多数方法采用一些流行的降维方法包括独立成分分析(ICA)，主成分分析(PCA)等提取用的特征，之后这些特征被送入分类器中进行分类。
然而上述传统的故障诊断方法需要费时的手动提取特征和不可靠的人为分析依赖大大降低了诊断的速度和精度。最近，深度学习方法促进了人工智能的快速发展，这借助于计算能力的显著提高，允许快速处理大型数据集。深度神经网络从丰富的数据集中学习低层次和高级特征的能力已经众所周知，并在故障诊断中得到了广泛利用。
但是目前大多数深度学习方法需要大量的样本训练模型，然而一旦电机发生故障时，希望尽可能早的停止电机运行，所以无法获取足够多的样本训练网络。因此，提出一种基于单样本学习的电机轴承故障诊断方法。
发明内容
本发明所要解决的技术问题在于：如何克服现有技术中，机械系统的工作条件非常复杂，经常根据生产要求而发生变化，并且工业系统中故障的电机不可能长时间的运转，尤其是一些关键的系统和设备，因而收集和标记足够的培训样本是难以实现的，提供了一种基于单样本学习的电机轴承故障诊断方法，该方法根据采集的轴承原始信号的特点使用多尺度一维卷积网络进行特征融合从何提取不同层次的局部特征，并且多尺度一维卷积网络与LSTM相结合作为孪生网络的子网络用于提取全局特征，具备分类性能好、可靠性高且适应性强的特点。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
步骤1：获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；
步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的训练样本数量训练孪生网络；
步骤3：将处理后的数据集输入到所述孪生网络中，每次随机选择两个训练样本送入到孪生网络中进行训练，利用所提出的多尺度卷积神经网络和长短时记忆网络相结合的孪生网络子网络分别将输入映射为一个特征向量，根据两个特征向量之间的距离度量来表示两个输入之间的相似程度；使用Adam优化方法对孪生网络的参数进行迭代更新直至网络收敛；
步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集，其余的测试样本均为无标签样本，将无标签的测试样本与每一个支持集样本送入被训练好的孪生网络中进行诊断，相似度最高的支持集样本类别即可判定为测试样本所属类别。
更进一步地，在所述步骤1中，电机轴承原始一维振动信号包括健康振动信号、内圈故障振动信号、外圈故障振动信号和滚动体故障振动信号。
更进一步地，在所述步骤2中，将每一个数据集的一维振动信号切分为两个部分，前一部分使用滑动窗口重叠采样的方法获取训练样本，后一部分使用截取的方法获得测试样本。
更进一步地，在所述步骤2中，生成样本尺寸为2048*1，并对测试集进行添加不同强度噪声操作，其中信噪比定义为：
SNR＝10log10(Psignal/Pnoise)
其中Psignal、Pnoise分别表示信号和噪声的有效功率。
更进一步地，在所述步骤2中，训练样本数量选择为90、120、200、300、3000、6000、19800个。
更进一步地，在所述步骤3中，所述孪生网络包括两个子网络且两个子网络之间权重共享，通过比较两个输入在特征空间映射后的特征向量来判断输入是否属于同一类别。
更进一步地，在所述步骤3中，孪生网络子网络首先将样本输入不同卷积核大小的CNN中提取不同深度的特征，经过特征融合后接入一层LSTM挖掘全局特征。
更进一步地，在所述步骤3中，多尺度卷积神经网络中包含了两个卷积神经网络。
更进一步地，在所述步骤3中，度量两个特征向量之间的距离为L1距离：
L＝|x1-x2|+|y1-y2|+…+|n1-n2|
其中，x,y,...,n表示特征向量的维度。
更进一步地，在所述步骤3中，所述孪生网络的损失函数为：
Figure BDA0003200645260000031
其中，x1,x2为训练输入样本对，y为输入样本对是否是同一类别，若是，则y＝1，反之y＝0；N为样本个数，d为输入样本经过网络提取特征后两个特征向量之间的距离，margin是一个设定的阈值，用于反映特征向量之间的远近程度。
更进一步地，在所述步骤S3中，所述Adam优化方法为：
Figure BDA0003200645260000032
Figure BDA0003200645260000033
Figure BDA0003200645260000034
Figure BDA0003200645260000035
Figure BDA0003200645260000036
其中，
Figure BDA0003200645260000037
分别是对梯度的一阶矩估计和二阶矩估计，即对期望
Figure BDA0003200645260000038
的估计；β1，β2分别是对梯度一阶矩和二阶矩的遗忘因子；
Figure BDA0003200645260000039
是对mw,vw的校正，近似为对期望的无偏估计；
Figure BDA00032006452600000310
对学习率形成一个动态的约束。
更进一步地，在所述步骤4中，支持集样本数量为故障类别的个数，即支持集的构成是在每个故障类别中取一个样本。
本发明相比现有技术具有以下优点：该基于单样本学习的电机轴承故障诊断方法，基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点，值得被推广使用。
附图说明
图1是本发明实施例二中所采用10种故障类别的时域样本；
图2是本发明实施例二中电机轴承故障信号划分策略示意图；
图3是本发明实施例二中基于孪生网络的滚动轴承故障诊断流程示意图；
图4是本发明实施例二中孪生网络框架示意图；
图5是本发明实施例二中基于改进的多尺度一维卷积网络和长短时记忆网络相结合的孪生网络子网络流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
本实施例提供一种技术方案：一种基于单样本学习的电机轴承故障诊断方法，包括以下步骤：
步骤1：获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；
步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的样本数量训练网络用于评判模型对样本数量的适应性。
步骤3：将处理后的数据集输入到所提出的网络中，每次随机选择两个训练样本送入到孪生网络中进行训练。利用所提出的多尺度卷积神经网络和长短时记忆网络相结合的孪生网络子网络分别将输入映射为一个特征向量，根据两个特征向量之间的“距离度量”来表示两个输入之间的相似程度，此处使用Contrastive Loss判断模型收敛。使用Adam优化算法对孪生网络的参数进行迭代更新直至网络收敛。
步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集，其余的测试样本均为无标签样本，将无标签的测试样本与每一个支持集样本送入被训练好的孪生网络中进行诊断，相似度最高的支持集样本类别即可判定为测试样本所属类别。
在本实施例中，步骤1中电机轴承原始一维振动信号包括健康振动信号、内圈故障振动信号、外圈故障振动信号和滚动体故障振动信号。
在本实施例中，步骤2中将每一个数据集的一维振动信号切分为两个部分，前一部分使用滑动窗口重叠采样的方法获取训练样本，后一部分使用截取的方法获得测试样本。
在本实施例中，步骤2中生成样本尺寸为2048*1，并对测试集进行添加不同强度噪声操作，其中信噪比定义为：
SNR＝10log10(Psignal/Pnoise)
其中Psignal、Pnoise分别表示信号和噪声的有效功率，一般来说，信噪比越大说明信号里所含的噪声越小，当信噪比为0时，信号和噪声的比例相等。
在本实施例中，步骤2中训练样本数量选择为90、120、200、300，3000、6000、19800个。
在本实施例中，步骤3中所述使用的孪生网络为孪生神经网络，该神经网络包含两个子网络且两个子网络之间权重共享，通过比较两个输入在特征空间映射后的特征向量来判断输入是否属于同一类别。
在本实施例中，步骤3中所述提出的孪生网络子网络首先融合不同尺度的CNN用于提取不同深度的局部特征，后面接入一层LSTM用于挖掘全局特征。
在本实施例中，步骤3中所述多尺度卷积神经网络中包含了两个卷积神经网络。
在本实施例中，步骤3中训练的具体步骤为每次随机选择两个相同或不同类别的2048*1大小样本分别送入孪生网络的两个子网络中，每个样本首先经过两个不同尺度的卷积层提取出不同深度的特征，输出大小为16*1*32，接着将两个输出通过通道拼接的方式形成16*1*64的输出送入LSTM中，然后将LSTM的输出铺平为100维度的特征向量后通过L1距离来度量两个特征向量在特征空间中的距离从而判别两个输入样本的相似性，最后使用Adam优化器用来更新模型参数，从而最小化损失函数。
在本实施例中，步骤3中度量两个特征向量之间的距离为L1距离：
L＝|x1-x2|+|y1-y2|+…+|n1-n2|
在上式中，x,y,...,n表示输入样本经过网络特征提取后特征向量的维度。
在本实施例中，步骤3中所述孪生网络的损失函数为：
Figure BDA0003200645260000051
在上式中，x1,x2为训练输入样本对，y为输入样本对是否是同一类别，若是，则y＝1，反之y＝0；d为输入样本经过网络提取特征后两个特征向量之间的L1距离，margin是一个阈值，用于反映特征向量之间的远近程度。
在本实施例中，步骤3中孪生网络的训练迭代次数为15000次。
在本实施例中，步骤3中所述Adam优化算法为：
Figure BDA0003200645260000061
Figure BDA0003200645260000062
Figure BDA0003200645260000063
Figure BDA0003200645260000064
Figure BDA0003200645260000065
其中，
Figure BDA0003200645260000066
分别是对梯度的一阶矩估计和二阶矩估计，可以看做对期望
Figure BDA0003200645260000067
的估计；β1，β2分别是对梯度一阶矩和二阶矩的遗忘因子；
Figure BDA0003200645260000068
是对mw,vw的校正，这样可以近似为对期望的无偏估计；
Figure BDA0003200645260000069
对学习率形成一个动态的约束，而且有明确的范围。
在本实施例中，步骤4中支持集样本数量为故障类别的个数，也就是说支持集的构成是在每个故障类别中取一个样本，即被称为单样本学习。
在本实施例中，电机轴承故障类别包括内圈故障、外圈故障、滚动体故障。每种故障又分别包含故障直径为0.007，0.014，0.021英寸的三种故障类别。所以，连同健康轴承类别本实施例中共包含10种故障类别(参见图1)。
实施例二
如图1～5所示，本实施例提供一种技术方案：一种基于单样本学习的电机轴承故障诊断方法，包括以下步骤：
步骤1，获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；
步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的训练样本数用于训练模型。
步骤3：将处理后的数据集输入到孪生网络中，该孪生网络包含两个子网络且两个子网络之间权重共享。每次随机选择两个训练样本送入孪生网络中进行训练。利用提出的子网络结构分别将输入映射为一个特征向量，根据两个特征向量之间的“距离度量”来表示两个输入之间的相似程度。所述孪生网络的损失函数为：
Figure BDA0003200645260000071
在上式中，x1,x2为训练输入样本对，y为输入样本对是否是同一类别，若是，则y＝1，反之y＝0。d为输入样本经过网络提取特征后两个特征向量之间的距离。margin是一个阈值，当d大于这个阈值，我们确信不同类别的两个样本之间的“距离”已经足够大。
使用Adam优化算法对孪生网络的参数进行迭代更新直至网络收敛。Adam优化算法为：
Figure BDA0003200645260000072
Figure BDA0003200645260000073
Figure BDA0003200645260000074
Figure BDA0003200645260000075
Figure BDA0003200645260000076
其中，
Figure BDA0003200645260000077
分别是对梯度的一阶矩估计和二阶矩估计，可以看作对期望
Figure BDA0003200645260000078
的估计；β1，β2分别是对梯度一阶矩和二阶矩的遗忘因子；
Figure BDA0003200645260000079
是对mw,vw的校正，这样可以近似为对期望的无偏估计；
Figure BDA00032006452600000710
对学习率形成一个动态的约束，而且有明确的范围。
步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集。其余的测试样本均为无标签样本。将无标签的测试样本与每一个支持集样本送入被训练好的孪生网络中进行诊断。
综上所述，上述实施例的基于单样本学习的电机轴承故障诊断方法，基于孪生网络的单样本进行学习，能够很好地解决在电机轴承故障诊断时数据匮乏而出现的精度过低问题；能够解决工况环境中经常出现的工业噪音的现象，可更好地提取信号的特征信息，采用了改进的多尺度一维卷积网络融合并与LSTM相结合的方法用于提取信号的全局特征和局部特征从而更好的进行故障诊断，具有适用性强和稳定性高的优点，值得被推广使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于单样本学习的电机轴承故障诊断方法，其特征在于，包括以下步骤：
步骤1：获取电机轴承原始一维振动信号，通过设置每类不同样本数量和添加不同噪声强度，研究样本稀缺和噪声干扰情况下模型故障诊断的性能；
步骤2：对电机轴承故障信号进行处理，划分为训练集和测试集，得到处理后的样本，并选择不同的样本数量训练孪生网络用于评判模型对样本数量的适应性；
步骤3：将处理后的数据输入到所述孪生网络中，每次随机选择两个训练样本送入到孪生网络中进行训练，利用多尺度卷积神经网络和长短时记忆网络相结合的孪生网络子网络分别将输入映射为一个特征向量，根据两个特征向量之间的距离来度量两个输入之间的相似程度，从而判别两个输入是否属于同一类别，并使用Adam优化方法对孪生网络的参数进行迭代更新直至网络收敛；
步骤4：将测试集中每一类别随机选取一个数据并打上标签作为支持集，其余的测试样本均为无标签样本；测试时将支持集样本重复的与无标签的测试样本送入被训练好的孪生网络中进行诊断，相似度最高的支持集样本类别即可判定为测试样本所属类别。
2.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤1中，电机轴承原始一维振动信号包括健康振动信号、内圈故障振动信号、外圈故障振动信号和滚动体故障振动信号。
3.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤2中，将每一个数据集的一维振动信号切分为两个部分，前一部分使用滑动窗口重叠采样的方法获取训练样本，后一部分使用截取的方法获得测试样本。
4.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤2中，生成样本尺寸为2048*1，并对测试集进行添加不同强度噪声操作，其中信噪比定义为：
SNR＝10log10(Psignal/Pnoise)
其中Psignal、Pnoise分别表示信号和噪声的有效功率。
5.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤3中，所述孪生网络包括两个子网络且两个子网络之间权重共享，通过比较两个输入在特征空间映射后的特征向量来判断输入是否属于同一类别。
6.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤3中，孪生网络子网络首先将样本输入不同卷积核大小的CNN中提取不同深度的局部特征，经过特征融合后接入一层LSTM挖掘全局特征。
7.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤3中，度量两个特征向量之间的距离为L1距离：
L＝|x1-x2|+|y1-y2|+…+|n1-n2|
其中，x,y,...,n表示特征向量的维度。
8.根据权利要求7所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤3中，所述孪生网络的损失函数为：
Figure FDA0003200645250000021
其中，x1,x2为训练输入样本，y为输入样本对是否是同一类别，若是，则y＝1，反之y＝0；N为样本个数，d为输入样本经过网络提取特征后两个特征向量之间的L1距离，margin是一个设定的阈值，用于反映特征向量之间的远近程度。
9.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤3中，所述Adam优化方法为：
Figure FDA0003200645250000022
Figure FDA0003200645250000023
Figure FDA0003200645250000024
Figure FDA0003200645250000025
Figure FDA0003200645250000026
其中，
Figure FDA0003200645250000027
分别是对梯度的一阶矩估计和二阶矩估计，即对期望
Figure FDA0003200645250000028
的估计；β1，β2分别是对梯度一阶矩和二阶矩的遗忘因子；
Figure FDA0003200645250000029
是对mw,vw的校正，近似为对期望的无偏估计；
Figure FDA00032006452500000210
对学习率形成一个动态的约束。
10.根据权利要求1所述的一种基于单样本学习的电机轴承故障诊断方法，其特征在于：在所述步骤4中，支持集样本数量为故障类别的个数，即支持集的构成是在每个故障类别的测试集中随机取一个样本。
CN202110902959.4A 2021-08-06 2021-08-06 一种基于单样本学习的电机轴承故障诊断方法 Pending CN113627317A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110902959.4A CN113627317A (zh) 2021-08-06 2021-08-06 一种基于单样本学习的电机轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110902959.4A CN113627317A (zh) 2021-08-06 2021-08-06 一种基于单样本学习的电机轴承故障诊断方法

Publications (1)

Publication Number Publication Date
CN113627317A true CN113627317A (zh) 2021-11-09

Family

ID=78383356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110902959.4A Pending CN113627317A (zh) 2021-08-06 2021-08-06 一种基于单样本学习的电机轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN113627317A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241271A (zh) * 2021-11-16 2022-03-25 电子科技大学 一种多孪生迁移学习融合多信息的机械故障智能诊断方法
CN114593917A (zh) * 2022-03-08 2022-06-07 安徽理工大学 一种基于三元组模型的小样本轴承故障诊断方法
CN114646468A (zh) * 2022-02-28 2022-06-21 南京航空航天大学 一种基于小样本的地铁车轮轴承故障诊断方法
CN115358283A (zh) * 2022-05-23 2022-11-18 西安电子科技大学 电磁信号孪生深度学习识别方法、装置、设备及存储介质
CN115392403A (zh) * 2022-10-26 2022-11-25 北京必示科技有限公司 一种异常变更检测方法、装置、设备及存储介质

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114241271A (zh) * 2021-11-16 2022-03-25 电子科技大学 一种多孪生迁移学习融合多信息的机械故障智能诊断方法
CN114241271B (zh) * 2021-11-16 2023-04-25 电子科技大学 一种多孪生迁移学习融合多信息的机械故障智能诊断方法
CN114646468A (zh) * 2022-02-28 2022-06-21 南京航空航天大学 一种基于小样本的地铁车轮轴承故障诊断方法
CN114646468B (zh) * 2022-02-28 2022-12-23 南京航空航天大学 一种基于小样本的地铁车轮轴承故障诊断方法
CN114593917A (zh) * 2022-03-08 2022-06-07 安徽理工大学 一种基于三元组模型的小样本轴承故障诊断方法
CN115358283A (zh) * 2022-05-23 2022-11-18 西安电子科技大学 电磁信号孪生深度学习识别方法、装置、设备及存储介质
CN115392403A (zh) * 2022-10-26 2022-11-25 北京必示科技有限公司 一种异常变更检测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN113627317A (zh) 一种基于单样本学习的电机轴承故障诊断方法
CN110285969B (zh) 多项式核植入特征分布适配的滚动轴承故障迁移诊断方法
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
EP1960853B1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
CN115292834B (zh) 一种数字孪生装备故障诊断方法、装置及系统
CN112633339A (zh) 轴承故障智能诊断方法、诊断系统、计算机设备及介质
CN113887136B (zh) 一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法
CN112487890B (zh) 一种基于并行稀疏滤波的轴承声信号故障诊断方法
CN113569990B (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN112461537A (zh) 基于长短时神经网络与自动编码机的风电齿轮箱状态监测方法
CN112395382A (zh) 基于变分自编码器的船舶异常航迹数据检测方法和装置
CN116793682A (zh) 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN114564987A (zh) 一种基于图数据的旋转机械故障诊断方法及系统
CN114676716A (zh) 刀具剩余寿命预测方法、装置和介质
CN116702076A (zh) 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质
Li et al. An orthogonal wavelet transform-based K-nearest neighbor algorithm to detect faults in bearings
CN115184054B (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN115270883A (zh) 一种基于孪生神经网络小样本学习的电机轴承故障诊断方法
CN116721097A (zh) 轴承故障诊断方法、装置及电子设备
CN112434729B (zh) 一种类不平衡样本下基于层再生网络的故障智能诊断方法
CN108763728B (zh) 用并联型深度神经网络分层特征提取的机械故障诊断方法
CN114118162A (zh) 基于改进深度森林算法的轴承故障检测方法
CN117871101B (zh) 多分类器细粒度的轴承故障诊断领域自适应方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination