CN114528906A - 一种旋转机械的故障诊断方法、装置、设备和介质 - Google Patents

一种旋转机械的故障诊断方法、装置、设备和介质 Download PDF

Info

Publication number
CN114528906A
CN114528906A CN202111655168.2A CN202111655168A CN114528906A CN 114528906 A CN114528906 A CN 114528906A CN 202111655168 A CN202111655168 A CN 202111655168A CN 114528906 A CN114528906 A CN 114528906A
Authority
CN
China
Prior art keywords
fault
sample
samples
prototype
category
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
CN202111655168.2A
Other languages
English (en)
Inventor
郑松
唐斯
段立伟
郑蓉
刘朝儒
陈松彬
颜明泽
夏长星
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.)
Iap Fujian technology Co ltd
Original Assignee
Iap Fujian technology Co ltd
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 Iap Fujian technology Co ltd filed Critical Iap Fujian technology Co ltd
Priority to CN202111655168.2A priority Critical patent/CN114528906A/zh
Publication of CN114528906A publication Critical patent/CN114528906A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

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

Abstract

本发明提供一种旋转机械的故障诊断方法、装置、设备和介质，方法包括：采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并按照故障类型标签分类；对有标签的样本构建支撑集；构建孪生卷积神经网络模型，随机从支撑集中选取样本并构成样本对进行训练，得到训练好的特征嵌入网络；通过特征嵌入网络将支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中；分别计算每个待测样本与每个原型点的欧氏距离，筛选出欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。本发明能够在某些故障样本数据稀少甚至缺失的情况下，有效提高诊断模型的识别率，同时尽可能减小个别样本本身存在的差异性对模型预测效果的影响。

Description

一种旋转机械的故障诊断方法、装置、设备和介质
技术领域
本发明涉及工业互联网技术领域，特别涉及一种旋转机械的故障诊断方法、装置、设备和介质。
背景技术
目前在故障诊断任务中，为确保诊断模型有较好的准确率，需要耗费大量人力、物力去获取不同故障类型充足的有标签数据，而在实际工业生产中，机械设备一般长时间处于正常运行状态，能获取的故障状态数据相对较少，而缺少足够数据会使得模型无法提取到不同故障状态的差异性特征，导致分类器对各类故障的识别率下降。因此，对于某些故障样本数据稀少甚至缺失的情况下，如何提高诊断模型的识别率，目前有着极为迫切的现实需求。目前，故障诊断问题常用的方法是深度学习模型。但是，传统的深度学习模型的学习能力有限，有2个重要问题需要克服：(1)模型需要大量带有标签的数据来提升训练效果，但是数据标签需要耗费巨大的时间和财力成本；(2)现有模型不具备强大的推理能力，没法从以往的学习中获得推理性经验。在故障样本数据稀少的情况下，传统的深度学习网络模型的预测准确性并不理想，因此，需要充分利用样本携带的信息，提升模型对样本的特征提取能力和分类及预测能力。
孪生神经网络(Siamese Network)是一类特殊的深度学习模型。该算法同时接收多个输入样本，计算两个样本之间的相似度，通过损失函数控制梯度下降实现优化学习。当训练样本容量为n时，若每次向孪生网络中输入两个样本(两个样本可能是训练集中的同一样本，此时两个输入不存在差异)，通过这种方法网络可以用n个样本就可以进行n×(n-1)次比较。使用孪生神经网络方法可以在训练样本较小的情况下，对样本进行充分训练提高模型有效训练次数，挖掘样本之间的关系，避免因样本量不足而引起过拟合的现象。但是，由于孪生神经网络是一种基于度量学习的方法，它直接通过对嵌入空间内的样本特征进行对比从而实现分类。这使得在训练过程中相同类别的样本会逐渐聚集，不同类别之间的样本会因为互相排斥形成一个间隔空间。由于同种类别中的个别样本也可能具有某些差异性，将这种差异带入到最终的损失函数中，会对网络的优化路径及收敛速度产生副作用，进而影响样本的聚类效果。
发明内容
本发明要解决的技术问题，在于提供一种旋转机械的故障诊断方法、装置、设备和介质，能够在某些故障样本数据稀少甚至缺失的情况下，有效提高诊断模型的识别率，同时尽可能减小个别样本本身存在的差异性对模型预测效果的影响。
第一方面，本发明提供了一种旋转机械的故障诊断方法，包括：
S1、采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
S2、对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),…(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
S3、构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
S4、通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
S5、将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。。
第二方面，本发明提供了一种旋转机械的故障诊断装置，包括：
样本获取模块，用于采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
支撑集构建模块，用于对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),…(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
特征嵌入网络构建及训练模块，用于构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
映射模块，用于通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
故障类别诊断模块，将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。
第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：本发明使用孪生卷积神经网络模型解决轴承机械故障诊断中因样本量稀少而影响预测效果的问题；使用原型去替换实际样本构建网络，可以避免相同样本间的无关差异性干扰诊断，同时避免不同类别样本间可能出现的偶然相似性。此外，无论是在网络推理还是相似度计算阶段，用原型替代真实样本构建支撑集，能够减少网络在训练中的抖动现象，更有助于网络更快找到全局最优解，提高模型收敛速度。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明实施例一中方法中的流程图；
图2为本发明中孪生卷积神经网络诊断模型的设计方法；
图3为本发明孪生卷积神经网络诊断模型的特征提取模块原理图；
图4为少样本情况下故障诊断识别率实验结果；
图5为本发明实施例二中装置的结构示意图；
图6为本发明实施例三中电子设备的结构示意图；
图7为本发明实施例四中介质的结构示意图。
具体实施方式
本申请实施例通过提供一种旋转机械的故障诊断方法、装置、设备和介质，能够在某些故障样本数据稀少甚至缺失的情况下，有效提高诊断模型的识别率，同时尽可能减小个别样本本身存在的差异性对模型预测效果的影响。
本申请实施例中的技术方案，总体思路如下：使用孪生卷积神经网络模型解决旋转机械故障诊断中因样本量稀少而影响预测效果准确性的问题；使用原型去替换实际样本构建网络，可以避免相同样本间的无关差异性干扰诊断，同时避免不同类别样本间可能出现的偶然相似性。此外，无论是在网络推理还是相似度计算阶段，用原型替代真实样本构建支撑集，能够减少网络在训练中的抖动现象，更有助于网络更快找到全局最优解，提高模型收敛速度。
实施例一
如图1和图2所示，本实施例提供一种旋转机械的故障诊断方法，包括：
S1、采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
例如下表中，是根据不同位置的损伤尺寸进行分类，得到0-8个标签分类，加上健康一个类别，共9个标签分类：
Figure BDA0003445551520000051
S2、对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),…(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
S3、构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
S4、通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
S5、将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。
所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。
如图3所示，所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：
第一层卷积采用32个64×1的卷积核；
第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3×1、7×1、11×1，卷积核数量都为16个；
第三、四、五层卷积分别使用64个大小为6×1、10×1的卷积核，所有池化操作的大小全部为4×1；
最后一层卷积特征提取层在BN层后直接接上注意力模块、全局池化操作，输出的特征图为64维。
所述步骤S3的训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：
Figure BDA0003445551520000061
Figure BDA0003445551520000062
其中，L是最终的损失函数，L(Y,X,C)为经验损失函数，
Figure BDA0003445551520000063
为正则项损失，λ代表正则项系数，w代表网络权重，N代表输入样本数量，X代表输入样本，Y代表实际故障类别标签，yi代表第i对样本是否相同，ck j代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；
任一类故障的所述样本原型的计算公式描述如下：
Figure BDA0003445551520000071
其中Ck代表第k类故障的原型，Sk代表第k类故障的样本集，fθ(·)代表嵌入网络，xi代表第k类的第i个样本。
如图4所示，为少样本情况下故障诊断识别率实验结果示意图。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
如图5所示，在本实施例中提供了一种旋转机械的故障诊断装置，包括：
样本获取模块，用于采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
支撑集构建模块，用于对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),...(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
特征嵌入网络构建及训练模块，用于构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
映射模块，用于通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
故障类别诊断模块，将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。
所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。
如图3所示，所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：
第一层卷积采用32个64×1的卷积核；
第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3×1、7×1、11×1，卷积核数量都为16个；
第三、四、五层卷积分别使用64个大小为6×1、10×1的卷积核，所有池化操作的大小全部为4×1；
最后一层卷积特征提取层在BN层后直接接上注意力模块、全局池化操作，输出的特征图为64维。
所述特征嵌入网络构建及训练模块在训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：
Figure BDA0003445551520000081
Figure BDA0003445551520000082
其中，L是最终的损失函数，L(Y,X,C)为经验损失函数，
Figure BDA0003445551520000083
为正则项损失，λ代表正则项系数，w代表网络权重，N代表输入样本数量，X代表输入样本，Y代表实际故障类别标签，yi代表第i对样本是否相同，ck j代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；
任一类故障的所述样本原型的计算公式描述如下：
Figure BDA0003445551520000091
其中Ck代表第k类故障的原型，Sk代表第k类故障的样本集，fθ(·)代表嵌入网络，xi代表第k类的第i个样本。
如图4所示，为少样本情况下故障诊断识别率实验结果示意图。
由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的电子设备实施例，详见实施例三。
实施例三
本实施例提供了一种电子设备，如图6所示，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备，故而基于本申请实施例一中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质，如图7所示，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：本发明使用孪生卷积神经网络模型解决轴承机械故障诊断中因样本量稀少而影响预测效果的问题；使用原型去替换实际样本构建网络，可以避免相同样本间的无关差异性干扰诊断，同时避免不同类别样本间可能出现的偶然相似性。此外，无论是在网络推理还是相似度计算阶段，用原型替代真实样本构建支撑集，能够减少网络在训练中的抖动现象，更有助于网络更快找到全局最优解，提高模型收敛速度。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置或系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种旋转机械的故障诊断方法，其特征在于：包括：
S1、采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
S2、对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),...(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
S3、构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
S4、通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
S5、将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。
2.根据权利要求1所述的一种旋转机械的故障诊断方法，其特征在于：所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。
3.根据权利要求2所述的一种旋转机械的故障诊断方法，其特征在于：所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：
第一层卷积采用32个64×1的卷积核；
第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3×1、7×1、11×1，卷积核数量都为16个；
第三、四、五层卷积分别使用64个大小为6×1、10×1的卷积核，所有池化操作的大小全部为4×1；
最后一层卷积特征提取层在BN层后直接接上注意力模块、全局池化操作，输出的特征图为64维。
4.根据权利要求1所述的一种旋转机械的故障诊断方法，其特征在于：所述步骤S3的训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：
Figure FDA0003445551510000021
Figure FDA0003445551510000022
其中，L是最终的损失函数，L(Y,X,C)为经验损失函数，
Figure FDA0003445551510000023
为正则项损失，λ代表正则项系数，w代表网络权重，N代表输入样本数量，X代表输入样本，Y代表实际故障类别标签，yi代表第i对样本是否相同，ck j代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；
任一类故障的所述样本原型的计算公式描述如下：
Figure FDA0003445551510000024
其中Ck代表第k类故障的原型，Sk代表第k类故障的样本集，fθ(·)代表嵌入网络，xi代表第k类的第i个样本。
5.一种旋转机械的故障诊断装置，其特征在于：包括：
样本获取模块，用于采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；
支撑集构建模块，用于对有标签的样本构建支撑集S＝{(x1,y1),(x2,y2),...(xK,yK)}，其中，K为标签种类的数量，代表具有K种故障类型，xK表示所有标签为K的样本构成的子集；
特征嵌入网络构建及训练模块，用于构建孪生卷积神经网络模型，随机从支撑集的K种轴承故障类型中选取轴承故障类别为q的某一样本和剩余K-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；
映射模块，用于通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；
故障类别诊断模块，将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。
6.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。
7.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：
第一层卷积采用32个64×1的卷积核；
第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3×1、7×1、11×1，卷积核数量都为16个；
第三、四、五层卷积分别使用64个大小为6×1、10×1的卷积核，所有池化操作的大小全部为4×1；
最后一层卷积特征提取层在BN层后直接接上注意力模块、全局池化操作，输出的特征图为64维。
8.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：
所述特征嵌入网络构建及训练模块在训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：
Figure FDA0003445551510000041
Figure FDA0003445551510000042
其中，L是最终的损失函数，L(Y,X,C)为经验损失函数，
Figure FDA0003445551510000043
为正则项损失，λ代表正则项系数，w代表网络权重，N代表输入样本数量，X代表输入样本，Y代表实际故障类别标签，yi代表第i对样本是否相同，ck j代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；
任一类故障的所述样本原型的计算公式描述如下：
Figure FDA0003445551510000044
其中Ck代表第k类故障的原型，Sk代表第k类故障的样本集，fθ(·)代表嵌入网络，xi代表第k类的第i个样本。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202111655168.2A 2021-12-30 2021-12-30 一种旋转机械的故障诊断方法、装置、设备和介质 Pending CN114528906A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111655168.2A CN114528906A (zh) 2021-12-30 2021-12-30 一种旋转机械的故障诊断方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111655168.2A CN114528906A (zh) 2021-12-30 2021-12-30 一种旋转机械的故障诊断方法、装置、设备和介质

Publications (1)

Publication Number Publication Date
CN114528906A true CN114528906A (zh) 2022-05-24

Family

ID=81621677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111655168.2A Pending CN114528906A (zh) 2021-12-30 2021-12-30 一种旋转机械的故障诊断方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN114528906A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508073A (zh) * 2022-10-21 2022-12-23 北京航空航天大学 基于多尺度注意力的原型适配机械设备故障诊断方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508073A (zh) * 2022-10-21 2022-12-23 北京航空航天大学 基于多尺度注意力的原型适配机械设备故障诊断方法
CN115508073B (zh) * 2022-10-21 2024-04-26 北京航空航天大学 基于多尺度注意力的原型适配机械设备故障诊断方法

Similar Documents

Publication Publication Date Title
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN110132598B (zh) 旋转设备滚动轴承故障噪声诊断算法
CN110609524B (zh) 一种工业设备剩余寿命预测模型及其构建方法和应用
CN108595585A (zh) 样本数据分类方法、模型训练方法、电子设备及存储介质
CN108647707B (zh) 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN115563610B (zh) 入侵检测模型的训练方法、识别方法和装置
CN116400168A (zh) 一种基于深度特征聚类的电网故障诊断方法及系统
CN113591948A (zh) 一种缺陷模式识别方法、装置、电子设备和存储介质
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
Sharma et al. A semi-supervised generalized vae framework for abnormality detection using one-class classification
CN114528906A (zh) 一种旋转机械的故障诊断方法、装置、设备和介质
CN114416423A (zh) 一种基于机器学习的根因定位方法和系统
CN114169460A (zh) 样本筛选方法、装置、计算机设备和存储介质
CN112016597B (zh) 一种机器学习中基于贝叶斯不平衡度量的深度采样方法
Liu et al. A dual-branch balance saliency model based on discriminative feature for fabric defect detection
CN115861306B (zh) 一种基于自监督拼图模块的工业品异常检测方法
CN116222753A (zh) 一种转子系统故障敏感特征提取方法及系统
Fawwaz et al. The Optimization of CNN Algorithm Using Transfer Learning for Marine Fauna Classification
Aimiyekagbon et al. Rule-based diagnostics of a production line
Mathew et al. Disease classification in bell pepper plants based on deep learning network architecture
CN114818811A (zh) 一种基于孪生网络度量学习的航空发动机滚动轴承故障诊断方法
CN114862404A (zh) 基于聚类样本与极限梯度的信用卡欺诈检测方法及设备
CN114357219A (zh) 一种面向移动端实例级图像检索方法及装置
CN116756483B (zh) 目标工况数据不可用下的机械故障诊断方法、装置及设备
CN113240000B (zh) 机器状态监测方法、可读存储介质及电子设备

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