[发明专利]基于多标签零样本学习的滚动轴承故障诊断方法

说明书

本发明公开了一种基于多标签零样本学习的滚动轴承故障诊断方法，属于智能旋转机械故障诊断领域。该方法包括如下步骤：使用短时傅里叶变换对原始信号进行预处理；将预处理得到的时频图像划分成可见类和未知类两个类别；使用可见类时频图像训练残差可分离卷积神经网络；用训练得到的网络进行特征提取；使用可见类故障特征训练属性学习器，最后用属性学习器学习未见类故障的高维语义信息，实现对未见类故障的诊断。本发明方法开创了零样本条件下的故障诊断先河，能将可见类故障属性迁移到未见类，并有效诊断未见类故障。

技术领域

本发明涉及机械设备故障诊断领域以及信号处理技术领域，尤其涉及一种基于多标签零样本学习的滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械中的重要部件，现代机械仪器、设备向高速和精密方向发展，对滚动轴承的要求愈来愈高，但是滚动轴承的寿命方差较大，同样条件生产的轴承在相同的条件下工作，它们的寿命可能相差数十倍。在设备运行过程中滚动轴承一旦发生故障，会影响整个生产线的正常工作并带来高昂的维修成本，甚至出现安全问题。为及时发现轴承故障避免带来损失，采集并诊断滚动轴承的故障信号具有重要意义。

时频分析方法能够提供非平稳信号在时域和频域的联合分布信息，因而在故障诊断领域应用广泛。此外，机器学习技术也被大量运用在故障诊断领域，其中包括人工神经网络，支持向量机，压缩感知等，但是这些方法对参数设置的要求较高，同时需要人为选取数据特征。在大数据的时代背景下，人们为了提高对故障的诊断能力，提出了大量数据驱动的故障诊断方法。数据驱动方法对先验知识要求较少，历史数据充分情况下，在故障诊断领域取得了一定成果。但是在目标故障难以采集或采集成本高昂时，即没有目标故障数据以供训练，这些方法将无法实现故障的准确诊断。

零样本学习(Zero-shot learning，ZSL)是迁移学习的一种特殊情况，旨在通过仅将可见类样本用作训练数据，实现对未见类的分类。2009年Lampert等首次提出ZSL的概念，对毫无关联的训练集和测试集完成了对象检测，其算法的核心思想在于结合目标图像的高维特征描述(形状、颜色、环境等)和训练得到的图像特征，以实现类别边界的突破。Liangjun Feng等针对零样本条件下的工业故障诊断任务，人为设置了有别于图像识别领域的辅助信息即故障属性(故障的原因、位置、影响等)，并针对每一个故障属性单独构造了一个属性学习器，实现了故障信号对各属性空间的独立映射。其实验结果验证了零样本条件下故障诊断的可行性，但是未考虑各属性之间的相关性。

发明内容

发明目的：针对现有的滚动轴承故障诊断方法泛化能力差和无法诊断未见类故障等问题，本发明提出一种基于多标签零样本学习的滚动轴承故障诊断方法。首先使用短时傅里叶变换对可见类和未见类样本进行预处理，将得到的时频图像输入残差深度可分离卷积神经网络(RDSCNN)进行特征提取，再使用可见类故障特征训练属性学习器，最后用属性学习器学习未见类故障的高维语义信息，实现对未见类故障的诊断。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于多标签零样本学习的滚动轴承故障诊断方法，包括以下步骤：

第一步：采集滚动轴承振动信号，构建轴承故障数据集，将振动信号使用短时傅里叶变换进行预处理，得到轴承振动信号的时频图数据集，并划分可见类和未见类；

第二步：构建深度可分离卷积神经网络作为特征提取网络，网络的输入为故障时频图像，输出为故障特征矢量；设置网络参数、代价函数及其优化策略；

第三步：将可见类的时频图输入深度可分离卷积神经网络进行逐层训练，使用训练好的网络对可见类和未见类的时频图进行特征提取；

第四步：多标签零样本学习网络：使用可见类特征数据为各故障属性训练属性学习器，使用训练好的属性学习器预测未见类故障属性，诊断未见类故障的多标签类别；

第五步：判断诊断正确率是否满足实际期望，如果诊断正确率低于设定的阈值则继续训练修正属性学习器，重复第四步直到达到期望精度。