[发明专利]小样本下基于自我学习的变工况机械故障智能诊断方法

说明书

本发明公开了小样本下基于自我学习的变工况机械故障智能诊断方法，对机械设备变工况运行状态下的机械信号样本进行标准化预处理；构建生成对抗网络并训练，通过生成机械信号样本的方式增强训练数据集；构建自我学习网络模型；使用生成对抗网络生成的机械信号样本与不超过30个的真实机械信号样本预训练自我学习网络模型；构建机械设备状态分类与识别网络模型；使用不超过30个的真实机械信号样本及其对应的状态标签对机械设备状态分类与识别网络模型的网络权重进行微调，权重微调后的机械设备状态分类与识别网络模型即可实现变工况下的机械故障智能诊断。本发明具有诊断结果准确率高，抗干扰能力强的特点。

技术领域

本发明涉及机械设备故障诊断领域，具体涉及一种小样本下基于自我学习的变工况机械故障智能诊断方法。

背景技术

机械设备运行过程中，其主要零部件诸如轴承、齿轮、转子等由于持续承受载荷的作用，容易发生故障，因此开展机械设备故障诊断的研究十分必要。一方面，受工作环境以及工作条件的约束，机械设备通常处于变工况的运行状态中，通常表现为负载以及转速的变化。并且，在机械设备上采集到的各类机械信号均会受到噪声的污染，难以进行特征提取和状态识别。另一方面，在实际工况中很难获得机械设备的故障信号样本，小样本问题同样严重影响了对机械设备进行故障诊断的及时性和准确性。

传统的机械设备故障诊断方法主要关注机械信号的降噪及特征提取，并且主要应用于负载及转速相对稳定的工况下，面对变负载以及变转速等复杂工况，传统的机械设备故障诊断方法稍显乏力。

面对机械故障诊断中的小样本问题，传统的机械设备故障诊断方法通常利用过采样技术从少量的故障信号样本中获取更多的信息，然而少量的故障信号样本中包含的有效故障信息始终有限，过采样技术无法从根本上满足机械故障诊断对故障信息量的要求。

发明内容

本发明的目的在于提供一种小样本下基于自我学习的变工况机械故障智能诊断方法，以克服现有技术存在的问题，本发明使用生成对抗网络生成大量机械信号样本以增强训练数据集，解决小样本问题，同时利用自我学习网络模型从大量的机械信号样本中获取故障特征信息，解决了变工况运行状态下难以进行有效特征提取的问题，最后使用一维卷积神经网络实现了对机械设备的运行状态分类与识别。

为达到上述目的，本发明采用如下技术方案：

小样本下基于自我学习的变工况机械故障智能诊断方法，该方法包括以下步骤：

步骤1：以机械设备变工况(变负载、变转速、噪声干扰)运行状态下的机械信号样本作为数据集合，每种运行状态下的机械信号样本数不超过30个，对获取到的机械信号样本进行标准化预处理；

步骤2：构建生成器与鉴别器结合的生成对抗网络；

步骤3：对于步骤2中的生成对抗网络，采用循环对抗式的方法进行训练，通过生成机械信号样本的方式增强训练数据集；

步骤4：构建以卷积神经网络为基础的自我学习网络模型；

步骤5：使用生成对抗网络生成的机械信号样本与不超过30个的预处理后的真实机械信号样本预训练自我学习网络模型，初步提取机械信号样本的数据特征并保存自我学习网络模型的网络权重；

步骤6：构建卷积神经网络与Softmax分类器结合的机械设备状态分类与识别网络模型，载入步骤5中保存的网络权重；

步骤7：使用不超过30个的预处理后的真实机械信号样本及每个机械信号样本对应的状态标签对机械设备状态分类与识别网络模型的网络权重进行微调，权重微调后的机械设备状态分类与识别网络模型即可实现变工况下的机械故障智能诊断。

进一步地，步骤1中所述的数据标准化预处理使用零均值规范化，计算式为：