[发明专利]一种面向小样本数据集的轴承故障模式诊断方法及系统

说明书

本发明涉及一种面向小样本数据集的轴承故障模式诊断方法及系统，其中，方法包括以下步骤：1)通过加速度传感器收集轴承在不同设备不同工况运行下的振动信号数据；2)对信号进行预处理，通过连续小波变换算法，将原始一维信号转换为二维信号，形成图像数据；3)构建基于卷积神经网络的轴承故障诊断模型框架，包括编码、匹配两模块，同时从图像数据中随机取样，构建多个小样本集的学习任务，从而对该模型进行训练；4)采集目标轴承的振动信号，并根据所述预处理方法和所述轴承故障诊断模型诊断出所述轴承故障模式。与现有技术相比，本发明结合深度学习与元学习算法，在数据量不足的条件下能够提高诊断精度。

技术领域

本发明涉及高端装备结构故障诊断技术领域，尤其是涉及一种面向小样本数据集的轴承故障模式诊断方法及系统。

背景技术

滚动轴承作为现代化高端装备中的关键零部件，承受冲击的能力较弱，极其容易疲劳、受损。一旦发生故障，会对整个生产过程产生巨大的负面影响，不仅造成严重的经济损失，甚至会危及到相关人员的生命安全。因此，针对滚动轴承进行故障诊断技术研究是极其有必要的，对于高端装备的预测性维护具有重要的意义。

目前已经有很多基于机器学习、甚至深度学习的故障诊断技术，比如支持向量机、随机森林、梯度提升树、循环神经网络、玻尔兹曼机等，但是它们都必须要有足够多的样本支持，并且仅当训练集与测试集样本的分布一致时才能显示出良好的效果。而在实际生产环境中，难以满足上述两个要求。一方面在装备运行初期，出现机械故障的情况较少，样本数量难以支持模型训练；另一方面装备的运行情况复杂多变，收集到的数据经常处于不同的工况下，这也给模型的预测精度带来了很大的挑战。

元学习主要用于解决学会学习的问题，与以往的机器学习、深度学习方法不同，元学习更加关注如何利用已知的知识快速适应新任务的学习，因而能够有效解决上述两个问题。近几年元学习开始兴起，并在解决少量有标签样本甚至无标签样本数据的学习问题中发挥了显著的作用。但目前该方法在高端装备故障诊断领域中的应用十分欠缺。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向小样本数据集的轴承故障模式诊断方法及系统，该方法结合深度学习和元学习算法，在少样本的情况下提高诊断精度，另外也可在一定程度上缓解训练集与测试集样本分布的不一致所带来的性能下降问题。

本发明的目的可以通过以下技术方案来实现：

一种面向小样本数据集的轴承故障模式诊断方法，该方法包括以下步骤：

步骤1：通过加速度传感器收集轴承在不同设备不同工况运行下的振动信号数据，并将其存储至服务器中；

步骤2：于服务器中对信号进行预处理，通过连续小波变换算法，将原始一维信号转化为二维信号，并以图像的形式存储于数据库中；

步骤3：构建基于卷积神经网络的轴承故障诊断模型框架，包括编码模块和匹配模块，同时从数据库中的图像数据中随机取样，构建多个小样本数据集的学习任务，以对轴承故障诊断模型进行训练；

步骤4：采集目标轴承的振动信号，并根据所述步骤2中的预处理方法和所述步骤3中的轴承故障诊断模型框架对其诊断并得出轴承故障模式。

进一步地，所述的步骤2包括以下分步骤：

步骤201：由加速度传感器收集到的振动数据为一维的连续时间序列信号，通过连续小波变换算法预处理该信号，得到二维信号；

步骤202：将二维信号进行图像灰度值化以转换为图像的形式存储于数据库中。

进一步地，所述的步骤201中的二维信号，其描述公式为：