CN114936575A - 基于样本生成和深度迁移学习的电机轴承故障诊断方法 - Google Patents

Abstract

本发明提供一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，步骤为：1)在实验台上以及工业电机运行过程中采集轴承在正常和故障情况下的振动信号，分别对其进行预处理得到源域数据集X_s和目标域数据集X_t，2)构建深度迁移电机轴承故障诊断模型DTMBFD_mod，3)将X_s和X_t作为输入数据对DTMBFD_mod模型进行训练，4)构建样本生成器SG，并生成伪样本，组成目标域伪数据集X_f，5)利用X_t中的有标签数据和X_f对DTMBFD_mod模型参数进行调整，6)使用调整后的模型中对目标设备的轴承实时监测信号进行预测。本申请通过对时域振动信号生成的频谱图进行分析，判断电机轴承当前运转情况，可为整机的故障诊断和健康管理提供参考。

Description

基于样本生成和深度迁移学习的电机轴承故障诊断方法

技术领域

本发明涉及电机轴承故障诊断领域，特别是一种基于样本生成和深度迁移学习的电机轴承故障诊断方法。

背景技术

据不完全统计，在机电设备故障中，由轴承故障所引发的比例高达30％以上，对于感应电机，由轴承故障引发的整机故障更是占总量的40％以上。对轴承等关键零部件的运行状态进行监测和故障分析，及时进行设备维修，防止微小故障的放大和传播，具有重大意义。近年来，基于深度学习的电机轴承故障诊断方法得到了学术界和工业界的广泛关注，但由于现实工况多变、电机轴承参数不同、故障样本较少或不均衡等原因，此类故障诊断模型面临着应用过程中识别准确率下降、难以满足工业要求的问题。

面对工业过程监测数据中正常样本数远大于故障样本数，无标签数据远大于有标签数据，难以直接训练深度学习故障诊断模型的情况，一般可以先利用实验台采集大量有标签数据对模型进行预训练，然后采用无监督或半监督的迁移学习方法增强模型的泛化能力，同时用工业过程中获得的少量有标签故障样本对预训练模型进行微调。利于域自适应等无监督学习方法进行迁移的局限性在于模型的精度提升有限；对于预训练-微调方法而言，当用于微调的样本过少时，训练过程中模型的精度变化不稳定，往往需要多次试验才能取得比较理想的实验结果，模型精度的上限也会受到影响，此时可以通过对样本进行增强来提高对少量有标签数据的利用率。利用生成对抗网络(Generative AdversarialNetworks,GAN)生成伪样本和伪标签，对真实样本进行扩充是当下主流的数据增强方法之一，但如何防止因为过拟合、模式崩溃等原因生成不利于提升模型分类准确率的无效伪样本成为了新的难题。

综上，对于训练数据与测试数据分布不同情况下轴承故障模型识别精度下降的问题，可以通过域自适应或预训练-微调等迁移学习方法增强模型的泛化能力，但仍存在着以下问题：1)单一的迁移学习方法无法同时充分利用目标域的大量无标签数据和少量有标签数据；2)预训练-微调方法面对小样本问题时对模型的跨域诊断精度提升有限，效果不稳定；3)利用普通的GAN进行样本生成时存在过拟合、模式崩溃等问题，无法确保生成高质量伪样本。

发明内容

本发明的目的就是提供一种基于样本生成和深度迁移学习的电机轴承故障诊断方法。

本发明的目的是通过这样的技术方案实现的，具体步骤为：

1)数据采集：在实验台上采集轴承在正常和故障情况下的振动信号，对实验台信号进行预处理组成源域数据集X_s，在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号，对工业电机信号进行预处理组成目标域数据集X_t；

2)构建模型：构建由特征提取网络F_net、自适应层网络A_net、域分类器网络D_net和判别分类器网络C_net组成的深度迁移电机轴承故障诊断模型DTMBFD_mod；

3)模型训练：将源域数据集X_s和目标域数据集X_t作为输入数据对DTMBFD_mod模型进行训练；

4)样本生成：构建由CycleGAN网络为主干的样本生成器SG，为正常样本和故障样本训练各自的样本生成模型，并生成各自模型的伪样本，组成目标域伪数据集X_f；

5)模型调整：利用目标域数据集X_t中的有标签数据和目标域伪数据集X_f对DTMBFD_mod模型参数进行调整，得到调整后的DTMBFD_finetune模型；

6)故障诊断：使用步骤5)中调整后的DTMBFD_finetune模型中对目标设备的轴承实时监测信号进行预测。

进一步，步骤1)中数据采集的具体步骤为：

1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_sn、x_si、x_so、x_sr，利用短时傅里叶变换STFT将x_sn、x_si、x_so、x_sr转换成彩色频谱图，组成源域数据集X_s；

1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_tn、x_ti、x_to、x_tr，利用短时傅里叶变换STFT将x_tn、x_ti、x_to、x_tr转换成彩色频谱图，组成目标域数据集X_t，所述目标域数据集中包含有无标签数据和有标签数据。

进一步，步骤2)中构建组成的深度迁移电机轴承故障诊断模型DTMBFD_mod的具体方法为：

以输入数据作为特征提取网络F_net的输入，以特征提取网络F_net的输出作为自适应层网络A_net的输入，将自适应层网络A_net的输出分别通过域分类器网络D_net和判别分类器网络C_net，并将判别分类器网络C_net的损失函数

与域分类器网络D_net的损失函数

作为模型损失函数

构建深度迁移电机轴承故障诊断模型DTMBFD_mod：

式中，λ为损失函数与网络结构确定的权重系数。

进一步，步骤2)中所述特征提取网络F_net的主干是残差网络的改进体DenseNet网络，所述DenseNet网络包括交替连接的稠密模块与过渡模块，所述稠密模块包括若干稠密层，所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和，所述各层的特征图大小和输出通道数都相同。

进一步，步骤3)中模型训练的具体步骤为：

3-1)以源域数据集X_s中的有标签数据为特征提取网络F_net的输入，以特征提取网络F_net的输出为自适应层网络A_net的输入，所述自适应层网络A_net的输出只作为判别分类器网络C_net的输入对故障诊断网络进行训练；

更新特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数，当训练的epoch达到预设的epoch值或诊断精度达到预设精度时，停止训练，保存模型为DTMBFD_basemod；

3-2)以源域数据集X_s和目标域数据集X_t的所有数据为深度迁移电机轴承故障诊断模型DTMBFD_mod的输入；

将DTMBFD_basemod中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数作为DTMBFD_mod模型中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数；

以均方误差作为判别分类器的损失函数，以二值交叉熵作为域分类器的损失函数，交替更新自适应层网络和域分类器网络的参数；

当e轮后损失值和判别分类器的预测精度趋于稳定，则停止训练，保存域自适应模型DTMBFD_damod。

进一步，步骤4)中生成目标域伪数据集X_f的具体步骤为：

4-1)构建以CycleGAN网络为主干网络的样本生成器SG，所述CycleGAN网络包括两个生成器和两个鉴别器，以源域数据集X_s和目标域数据集X_t中对应类别的有标签数据作为样本生成器SG的输入，利用双向迭代学习对样本生成器SG进行训练；

4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel，以X_s中的有标签数据分别作为样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel的输入，生成四类伪样本x_fn、x_fi、x_fo、x_fr，四类伪样本组成目标域伪数据集X_f，X_f属于X_t的子集。

进一步，步骤5)中对模型调整进行调整的具体步骤为：

5-1)在X_t和X_f中选取相同数量正常样本和故障样本，正常样本和每类故障样本的数目相同，组成均衡的微调数据集X_m；

5-2)降低学习率为q，预设epoch为p，利用微调数据集X_m对DTMBFD_damod模型进行微调训练，微调训练完成后保存为DTMBFD_finetune模型。

进一步，步骤6)中故障诊断的具体步骤为：

6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号，利用短时傅里叶变换STFT将信号转换成彩色频谱图；

6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFD_finetune模型完成电机轴承的实时故障诊断。

由于采用了上述技术方案，本发明具有如下的优点：

1、本申请通过对时域振动信号生成的频谱图进行分析，判断电机轴承当前运转情况，可为整机的故障诊断和健康管理提供参考。

2、本申请在目标设备前期监测数据中无标签样本较多，有标签样本较少的情况下，利用实验台数据训练出基础故障诊断模型，再使用域自适应方法增强模型的泛化能力；最后充分利用目标域的有标签小样本，通过基于CycleGAN的样本生成器增加有标签样本的数量，解决了目标域有标签数据较少带来的微调网络测试精度不稳定和性能提升有限等问题。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1示出本发明的整体网络结构示意图。

图2示出本发明的深度迁移电机轴承故障诊断网络结构示意图。

图3示出本发明的特征提取网络结构示意图。

图4示出本发明的残差连接结构示意图。

图5示出本发明的样本生成器主干网络结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

如图1所示的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，具体步骤如下：

1)数据采集：在实验台上采集轴承在正常和故障情况下的振动信号，对实验台信号进行预处理组成源域数据集X_s，在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号，对工业电机信号进行预处理组成目标域数据集X_t；具体步骤为：

1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_sn、x_si、x_so、x_sr，利用短时傅里叶变换STFT将x_sn、x_si、x_so、x_sr转换成彩色频谱图，组成源域数据集X_s；

1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_tn、x_ti、x_to、x_tr，利用短时傅里叶变换STFT将x_tn、x_ti、x_to、x_tr转换成彩色频谱图，组成目标域数据集X_t，所述目标域数据集中包含有无标签数据和有标签数据。

在本发明实例中，对于步骤1-2)中没有的故障类型信号，可在同型号的其它设备上采集。

2)构建模型：如图2所示，构建由特征提取网络F_net、自适应层网络A_net、域分类器网络D_net和判别分类器网络C_net组成的深度迁移电机轴承故障诊断模型DTMBFD_mod，具体方法为：

以输入数据作为特征提取网络F_net的输入，以特征提取网络F_net的输出作为自适应层网络A_net的输入，将自适应层网络A_net的输出分别通过域分类器网络D_net和判别分类器网络C_net，并将判别分类器网络C_net的损失函数

与域分类器网络D_net的损失函数

作为模型损失函数

构建深度迁移电机轴承故障诊断模型DTMBFD_mod：

式中，λ为损失函数与网络结构确定的权重系数，不同的λ值可控制源域样本分类准确率对域分类精度的限制程度，需要注意的是，

的计算仅针对X_s中的有标签数据，而

的计算则包括来自X_s和X_t的所有训练数据。

在本发明实例中，如图3所示，所述特征提取网络F_net的主干是残差网络的改进体DenseNet网络，所述DenseNet网络包括交替连接的稠密模块与过渡模块，所述稠密模块包括若干稠密层，所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和，所述各层的特征图大小和输出通道数都相同；如图4所示，残差层的结构可以表示为：

x_l+1＝f(W_sx_l+αF(x_l,W_l))

式中，x_l，x_l+1代表残差层的输入及输出(l与l+1之间可以不止一层)，F(x_l,W_l)为残差项，F(·)代表非线性组合函数，W_s与W_l都代表线性映射的参数(核函数)，f(·)代表激活函数，α是残差项的权重参数。

3)模型训练：将源域数据集X_s和目标域数据集X_t作为输入数据对DTMBFD_mod模型进行训练，具体步骤为：

3-1)以源域数据集X_s中的有标签数据为特征提取网络F_net的输入，以特征提取网络F_net的输出为自适应层网络A_net的输入，所述自适应层网络A_net的输出只作为判别分类器网络C_net的输入对故障诊断网络进行训练；

更新特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数，当训练的epoch达到预设值100时或诊断精度接近预设精度100％时，停止训练，保存模型为DTMBFD_basemod；

3-2)以源域数据集X_s和目标域数据集X_t的所有数据为深度迁移电机轴承故障诊断模型DTMBFD_mod的输入；

将DTMBFD_basemod中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数作为DTMBFD_mod模型中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数；

以均方误差作为判别分类器的损失函数，以二值交叉熵作为域分类器的损失函数，交替更新自适应层网络和域分类器网络的参数；

当e轮后损失值和判别分类器的预测精度趋于稳定，则停止训练，保存域自适应模型DTMBFD_damod。

在本发明实例中，将DTMBFD_basemod中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数作为DTMBFD_mod模型中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数，每轮训练中先将域分类器的域分类精度提升到75％～85％，此过程仅更新域分类器的参数，其它模块参数不变。而后训练自适应层，使域分类器的精度下降到35％～45％，此过程仅更新自适应层参数，完成后本轮训练结束。根据经验训练3～5轮后损失值和判别分类器的预测精度趋于稳定，此时可停止训练，保存域自适应模型DTMBFD_damod。

4)样本生成：构建由CycleGAN网络为主干的样本生成器SG，为正常样本和故障样本训练各自的样本生成模型，并生成各自模型的伪样本，组成目标域伪数据集X_f，具体步骤为：

4-1)构建以CycleGAN网络为主干网络的样本生成器SG，所述CycleGAN网络包括两个生成器和两个鉴别器，以源域数据集X_s和目标域数据集X_t中对应类别的有标签数据作为样本生成器SG的输入，利用双向迭代学习对样本生成器SG进行训练；

4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel，以X_s中的有标签数据分别作为样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel的输入，生成四类伪样本x_fn、x_fi、x_fo、x_fr，四类伪样本组成目标域伪数据集X_f，X_f属于X_t的子集。

在本发明实例中，如图5所示，CycleGAN网络包含两个生成器和两个鉴别器，每次训练中网络的输入是X_s和X_t中对应类别的有标签数据，对于X_s→X_t训练集的训练目标有两个，一是生成器G能够通过x_s(x_s∈X_s)生成X_t的伪样本

即

二是

能够通过生成器F再次变回X_s数据集中的样本

即

5)模型调整：利用目标域数据集X_t中的有标签数据和目标域伪数据集X_f对DTMBFD_mod模型参数进行调整，得到调整后的DTMBFD_finetune模型，具体步骤为：

5-1)在X_t和X_f中选取相同数量正常样本和故障样本，正常样本和每类故障样本的数目相同，组成均衡的微调数据集X_m；

5-2)降低学习率至1e-3以下，预设epoch为100，利用微调数据集X_m对DTMBFD_damod模型进行微调训练，微调训练完成后保存为DTMBFD_finetune模型。

6)故障诊断：使用步骤5)中调整后的DTMBFD_finetune模型中对目标设备的轴承实时监测信号进行预测，具体步骤为：

6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号，利用短时傅里叶变换STFT将信号转换成彩色频谱图；

6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFD_finetune模型完成电机轴承的实时故障诊断。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，具体步骤如下：

1)数据采集：在实验台上采集轴承在正常和故障情况下的振动信号，对实验台信号进行预处理组成源域数据集X_s，在工业电机运行过程中分别采集轴承在正常和故障情况下的振动信号，对工业电机信号进行预处理组成目标域数据集X_t；

2)构建模型：构建由特征提取网络F_net、自适应层网络A_net、域分类器网络D_net和判别分类器网络C_net组成的深度迁移电机轴承故障诊断模型DTMBFD_mod；

3)模型训练：将源域数据集X_s和目标域数据集X_t作为输入数据对DTMBFD_mod模型进行训练；

4)样本生成：构建由CycleGAN网络为主干的样本生成器SG，为正常样本和故障样本训练各自的样本生成模型，并生成各自模型的伪样本，组成目标域伪数据集X_f；

5)模型调整：利用目标域数据集X_t中的有标签数据和目标域伪数据集X_f对DTMBFD_mod模型参数进行调整，得到调整后的DTMBFD_finetune模型；

6)故障诊断：使用步骤5)中调整后的DTMBFD_finetune模型中对目标设备的轴承实时监测信号进行预测。

2.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤1)中数据采集的具体步骤为：

1-1)在实验台上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_sn、x_si、x_so、x_sr，利用短时傅里叶变换STFT将x_sn、x_si、x_so、x_sr转换成彩色频谱图，组成源域数据集X_s；

1-2)在需要长期监测的工业设备上分别采集电机轴承在正常、内圈故障、外圈故障、滚动体故障情况下的时域振动信号x_tn、x_ti、x_to、x_tr，利用短时傅里叶变换STFT将x_tn、x_ti、x_to、x_tr转换成彩色频谱图，组成目标域数据集X_t，所述目标域数据集中包含有无标签数据和有标签数据。

3.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤2)中构建组成的深度迁移电机轴承故障诊断模型DTMBFD_mod的具体方法为：

以输入数据作为特征提取网络F_net的输入，以特征提取网络F_net的输出作为自适应层网络A_net的输入，将自适应层网络A_net的输出分别通过域分类器网络D_net和判别分类器网络C_net，并将判别分类器网络C_net的损失函数

与域分类器网络D_net的损失函数

作为模型损失函数

构建深度迁移电机轴承故障诊断模型DTMBFD_mod：

式中，λ为损失函数与网络结构确定的权重系数。

4.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤2)中所述特征提取网络F_net的主干是残差网络的改进体DenseNet网络，所述DenseNet网络包括交替连接的稠密模块与过渡模块，所述稠密模块包括若干稠密层，所述稠密模块中单个稠密层的输入等于前面所有层的输出与稠密模块初始输入之和，所述各层的特征图大小和输出通道数都相同。

5.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤3)中模型训练的具体步骤为：

3-1)以源域数据集X_s中的有标签数据为特征提取网络F_net的输入，以特征提取网络F_net的输出为自适应层网络A_net的输入，所述自适应层网络A_net的输出只作为判别分类器网络C_net的输入对故障诊断网络进行训练；

更新特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数，当训练的epoch达到预设的epoch值或诊断精度达到预设精度时，停止训练，保存模型为DTMBFD_basemod；

3-2)以源域数据集X_s和目标域数据集X_t的所有数据为深度迁移电机轴承故障诊断模型DTMBFD_mod的输入；

将DTMBFD_basemod中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数作为DTMBFD_mod模型中特征提取网络F_net、自适应层网络A_net、判别分类器网络C_net的参数；

以均方误差作为判别分类器的损失函数，以二值交叉熵作为域分类器的损失函数，交替更新自适应层网络和域分类器网络的参数；

当e轮后损失值和判别分类器的预测精度趋于稳定，则停止训练，保存域自适应模型DTMBFD_damod。

6.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤4)中生成目标域伪数据集X_f的具体步骤为：

4-1)构建以CycleGAN网络为主干网络的样本生成器SG，所述CycleGAN网络包括两个生成器和两个鉴别器，以源域数据集X_s和目标域数据集X_t中对应类别的有标签数据作为样本生成器SG的输入，利用双向迭代学习对样本生成器SG进行训练；

4-2)利用样本生成器SG为正常、内圈故障、外圈故障、滚动体故障训练各自的样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel，以X_s中的有标签数据分别作为样本生成模型SG_nmodel、SG_imodel、SG_omodel、SG_rmodel的输入，生成四类伪样本x_fn、x_fi、x_fo、x_fr，四类伪样本组成目标域伪数据集X_f，X_f属于X_t的子集。

7.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤5)中对模型调整进行调整的具体步骤为：

5-1)在X_t和X_f中选取相同数量正常样本和故障样本，正常样本和每类故障样本的数目相同，组成均衡的微调数据集X_m；

5-2)降低学习率为q，预设epoch为p，利用微调数据集X_m对DTMBFD_damod模型进行微调训练，微调训练完成后保存为DTMBFD_finetune模型。

8.如权利要求1所述的一种基于样本生成和深度迁移学习的电机轴承故障诊断方法，其特征在于，步骤6)中故障诊断的具体步骤为：

6-1)使用加速度传感器实时采集目标设备的电机轴承振动信号，利用短时傅里叶变换STFT将信号转换成彩色频谱图；

6-2)将步骤6-1)预处理后生成的彩色频谱图作为步骤5)中调整后的DTMBFD_finetune模型完成电机轴承的实时故障诊断。

Images