CN114993677A - 不平衡小样本数据的滚动轴承故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种不平衡小样本数据的滚动轴承故障诊断方法及系统，包括：获取滚动轴承的声纹信号数据；对采集到的数据进行降维、位置编码和填充处理；基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码‑解码”模型中的编码部分与多头自注意力机制分类器搭建。本发明通过基于多头自注意力机制的自“编码‑解码”模型实现了模型预训练，解决了将多头自注意力机制应用到多模态任务数据需求问题，并有效提升了模型训练效率与故障诊断准确率。

Description

不平衡小样本数据的滚动轴承故障诊断方法及系统

技术领域

本发明涉及轴承故障诊断技术领域，尤其涉及一种不平衡小样本数据的滚动轴承故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

据不完全统计，大约30％的旋转机械故障是由滚动轴承引起的。滚动轴承在运行状态下，其裂纹、表面损伤和磨损等故障都会引起接触面的弹性冲击从而导致声纹信号的产生，同时产生大量的故障信息。基于数据驱动的深度学习方法需要大量的数据支持，这在故障诊断领域实现起来比较困难。工业数据的获取存在严重的样本异质性问题：正常数据容易获取，但特定故障数据的获取成本较高。因此，研究不平衡小数据样本的故障诊断是必要的。

近几年，Transformer模型通过多头自注意力机制从本质上提升了深度学习网络模型与学习过程的可解释性，基于此的ViT模型打破了深度学习在机器视觉与自然语言处理之间的壁垒，同时也为故障诊断任务提供了新的研究思路。但是，将多头自注意力机制引入轴承故障诊断存在诸多困难：

(1)多头自注意力机制自身不具备降维能力，仅用多头自注意力机制网络难以实现诸如自编码器等网络结构；

(2)多头自注意力机制模块缺乏传统方法的预设偏置，例如卷积神经网络的平移不变性等，因此对于数据的需求量大，在小样本数据的条件下难以学习到数据表征；

(3)将多头自注意力机制直接运用在轴承声纹信号这类非结构化序列数据会使得模型维度过于庞大，消耗计算资源过多。

发明内容

为了解决上述问题，本发明提出了一种不平衡小样本数据的滚动轴承故障诊断方法及系统，解决了将多头自注意力机制网络应用于故障诊断任务的数据需求与输入数据维度高的问题，得到的故障诊断模型泛化性强，故障识别准确度高，可以应用于不平衡小样本数据的故障诊断。

在一些实施方式中，采用如下技术方案：

一种不平衡小样本数据的滚动轴承故障诊断方法，包括：

获取滚动轴承的声纹信号数据；

对采集到的数据进行降维、位置编码和填充处理；

基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；

其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

作为可选的方式，对采集到的数据进行降维处理，具体包括：

将一维声纹信号利用Python内置的Reshape函数转变成二维数组。

作为可选的方式，对采集到的数据进行填充处理，具体包括：

在设定的位置对二维数组进行零填充。

作为可选的方式，所述基于多头自注意力机制的自“编码-解码”模型包括：依次设置的原始信号、编码器层、解码器层和重构信号；每个编码器层和每个解码器层均由多头自注意力块和前馈神经网络组成；所述编码器层输出的数据在输入解码器层之前经过再编码操作。

作为可选的方式，所述再编码操作具体为：取编码器输出数据的后N列，用零填充的方法填充至设定列数。

作为可选的方式，对于基于多头自注意力机制的自“编码-解码”模型的训练过程包括：

构建训练数据集，所述数据集由内圈故障数据，外圈故障数据，滚动体故障数据，保持架故障数据和正常轴承数据按照设定的比例组成；

对训练数据集中的数据分别进行降维、位置编码和填充处理；

利用处理后的数据对基于多头自注意力机制的自“编码-解码”模型进行训练。

作为可选的方式，基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型，具体为：

将滚动轴承的声纹信号数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取输出数据的后N列数据，得到降维特征数据；

在降维特征数据头部添加分类头<CLS>，形成新的数据；

将所述新的数据输入训练好的多头自注意力机制分类器，得到滚动轴承的故障类型和位置信息。

在另一些实施方式中，采用如下技术方案：

一种不平衡小样本数据的滚动轴承故障诊断系统，包括：

数据获取模块，用于获取滚动轴承的声纹信号数据；

数据预处理模块，用于对采集到的数据进行降维、位置编码和填充处理；

故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

在另一些实施方式中，采用如下技术方案：

一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上所述的不平衡小样本数据的滚动轴承故障诊断方法。

在另一些实施方式中，采用如下技术方案：

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的不平衡小样本数据的滚动轴承故障诊断方法。

与现有技术相比，本发明的有益效果是：

(1)本发明通过基于多头自注意力机制的自“编码-解码”模型实现了模型预训练，解决了将多头自注意力机制应用到多模态任务数据需求问题，并有效提升了模型训练效率与故障诊断准确率。

(2)本发明由预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建故障诊断模型，解决了将多头自注意力机制网络应用于故障诊断任务的数据需求与输入数据维度高的问题，得到的故障诊断模型泛化性强，故障识别准确度高，可以应用于不平衡小样本数据的故障诊断。

本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。

附图说明

图1为本发明实施例中的不平衡小样本数据的滚动轴承故障诊断方法流程图；

图2为本发明实施例中的基于多头自注意力机制的自“编码-解码”模型结构图；

图3为本发明实施例中的故障诊断模型结构示意图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种不平衡小样本数据的滚动轴承故障诊断方法，结合图1，具体包括：

(1)获取滚动轴承的声纹信号数据；

本实施例中，通过声纹传感器按照设定的频率采集滚动轴承的数据。

(2)对采集到的数据进行降维、位置编码和填充处理；

本实施例中，对采集到的数据进行降维处理，具体为：将N＝2400的一维声纹信号x＝x(t)＝(x₁,x₂,…,x_N)利用Python内置的Reshape函数转变成形状为[300,8]的二维数组，其中，300为行数，8为列数。

对采集到的数据进行位置编码处理，具体为：

通过位置编码的方法，为多头自注意力机制模型提供信号的位置信息，位置编码公式为：

其中，i为数据所处的具体位置序号，pos为嵌入向量，dmodel为模型的维度，设置为128。

对采集到的数据进行填充处理，具体为：

使用0填充的方法，在形状为[300,8]的二维数组之后增加第301行到第375行，列数依然为8，并填充0值，使得形状为[300,8]的二维数组变为形状为[375,8]的二维数组(即行数为375，列数为8)，填充比例为25％。进行零填充之后可以在自“编码-解码”模型的编码器层能够关注边缘数据，更好地提取信号特征。

(3)构建基于多头自注意力机制的自“编码-解码”模型，并进行训练。

本实施例中，基于多头自注意力机制的自“编码-解码”模型结构如图2所示，主要包括：“原始信号-编码器层(8层)-解码器层(2层)-重构信号”等组成，每个编码器层和解码器层均由两部分组成：多头自注意力块、前馈神经网络。其中，编码器输出数据在输入解码器前需经过再编码操作，再编码操作的好处为：使数据恢复到原来的形状(形状为[300,8]的二维数组)，便于后续解码操作。具体过程如下：取编码器输出后75列数据，用零填充的方法再次填充至300列，填充比例为400％。前馈神经网络由两层全连接层组成，激活函数使用ReLU函数。

ReLu激活函数的表达式为：

ReLU(x)＝max(0,x) (2)

多头自注意力块由四部分组成：多头线性层、按比缩放的点积注意力层、多头级联层、线性层，头数为16。

本实施例中，对于多头自注意力机制的自“编码-解码”模型的训练过程，具体如下：

(3.1)构建训练数据集

利用声纹传感器按照内圈故障信号：外圈故障信号：滚动体故障信号：保持架故障信号：正常轴承信号＝9:9:1:1:80的比例采集信号。

具体地，利用声纹传感器以25.6kHz的采样频率按照内圈故障信号：外圈故障信号：滚动体故障信号：保持架故障信号：正常轴承信号＝9:9:1:1:80的比例采集信号x＝x(t)＝(x₁,x₂,…,x_N)。其中，x＝x(t)为一维信号，x_i为声纹信号x＝x(t)＝(x₁,x₂,…,x_N)中的第i个采样点幅值，1≤i≤N，N为信号的采样点个数，本实施例中，N＝2400。

滚动轴承故障模拟平台包括变频调速三相异步电动机(额定功率1.5KW，额定转速2840RPM)、转矩转速传感器、轴承座(内含正常轴承或者故障轴承)、径向加载装置和磁粉制动器等组成。

测试情况下，电动机转速为2250RPM，即转频为37.5Hz。对于预设故障轴承，分别在内圈、外圈、滚动体和保持架施加宽0.2mm深0.5mm的裂痕故障。故障轴承滚动体个数为13，节径为38.5mm，圆柱滚子直径为6.5mm，接触角0°。外圈裂痕故障轴承示意图如图3所示。采集声纹信号的声纹传感器选用兆华电子有限公司的CRY343自由场测量传声器，其开路灵敏度(250Hz)为4mV(-48dB)±3dB，频率响应为4Hz-90kHz±3dB。

在内圈故障信号、外圈故障信号、滚动体故障信号、保持架故障信号和正常轴承信号中均按照3:7的比例构造有标签数据集和无标签数据集，模拟样本异质性问题，无标签数据作为自编码预训练网络的数据集。

(3.2)数据预处理

将所采集的信号进行降维、位置编码和填充处理；具体实现过程与步骤(2)中的实现过程相同，不再详述。

(3.3)模型训练

使用预训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，调整模型参数。

具体地，利用带有标签的训练数据集对基于多头自注意力机制的自“编码-解码”模型进行训练，输入数据是经过数据预处理步骤的数据，监督数据是原始数据，损失函数选择平均绝对值误差函数，损失函数计算方式如下：

其中，y是原始信号矩阵，

是解码器输出的预测矩阵，y_i和

是矩阵中的元素。

(4)基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；

本实施例中，由预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建故障诊断模型，如图3所示，对所采集的声纹信号进行诊断，得到滚动轴承的故障类型和位置信息；具体过程如下：

(4.1)提取并固定预训练完成的基于多头自注意力机制的自“编码-解码”模型。

(4.2)构建多头自注意力机制分类器，主要由“输入信号-编码器层(4层)-解码器层(4层)-输出信号”等结构组成，并且输入维度为76维。

(4.3)将有标签的数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取后75列数据，得到降维特征，降维特征数据不包含原始数据中与故障特征无关的冗余部分，最大程度保留信号的有效信息同时保证实现高效分类。

(4.4)在降维特征数据头部添加分类头<CLS>。

(4.5)将维度为76的新数据输入分类器，并用标签对分类器进行训练，输入数据是有标签数据的降维特征，监督标签是故障类别，损失函数选择多分类交叉熵函数，损失计算方式如下：

其中，y是故障标签，

是分类头输出的预测值。

实施例二

在一个或多个实施方式中，公开了一种不平衡小样本数据的滚动轴承故障诊断系统，具体包括：

数据获取模块，用于获取滚动轴承的声纹信号数据；

数据预处理模块，用于对采集到的数据进行降维、位置编码和填充处理；

故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

需要说明的是，上述各模块的具体实施方式已经在实施例一中进行了说明，此处不再详述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、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实施例一中的不平衡小样本数据的滚动轴承故障诊断方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行实施例一中所述的不平衡小样本数据的滚动轴承故障诊断方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，包括：

获取滚动轴承的声纹信号数据；

对采集到的数据进行降维、位置编码和填充处理；

基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；

其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

2.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的数据进行降维处理，具体包括：

将一维声纹信号利用Python内置的Reshape函数转变成二维数组。

3.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对采集到的数据进行填充处理，具体包括：

在设定的位置对二维数组进行零填充。

4.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述基于多头自注意力机制的自“编码-解码”模型包括：依次设置的原始信号、编码器层、解码器层和重构信号；每个编码器层和每个解码器层均由多头自注意力块和前馈神经网络组成；所述编码器层输出的数据在输入解码器层之前经过再编码操作。

5.如权利要求4所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，所述再编码操作具体为：取编码器输出数据的后N列，用零填充的方法填充至设定列数。

6.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，对于基于多头自注意力机制的自“编码-解码”模型的训练过程包括：

构建训练数据集，所述数据集由内圈故障数据，外圈故障数据，滚动体故障数据，保持架故障数据和正常轴承数据按照设定的比例组成；

对训练数据集中的数据分别进行降维、位置编码和填充处理；

利用处理后的数据对基于多头自注意力机制的自“编码-解码”模型进行训练。

7.如权利要求1所述的一种不平衡小样本数据的滚动轴承故障诊断方法，其特征在于，基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型，具体为：

将滚动轴承的声纹信号数据输入预训练完成的基于多头自注意力机制的自“编码-解码”模型中的编码部分，取输出数据的后N列数据，得到降维特征数据；

在降维特征数据头部添加分类头<CLS>，形成新的数据；

将所述新的数据输入训练好的多头自注意力机制分类器，得到滚动轴承的故障类型和位置信息。

8.一种不平衡小样本数据的滚动轴承故障诊断系统，其特征在于，包括：

数据获取模块，用于获取滚动轴承的声纹信号数据；

数据预处理模块，用于对采集到的数据进行降维、位置编码和填充处理；

故障诊断模块，用于基于预训练的故障诊断模型以及所述滚动轴承的声纹信号数据，进行故障诊断，得到滚动轴承的故障类型；其中，所述故障诊断模型由预训练好的基于多头自注意力机制的自“编码-解码”模型中的编码部分与多头自注意力机制分类器搭建。

9.一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-7任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。

10.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的不平衡小样本数据的滚动轴承故障诊断方法。

Images