[发明专利]基于小样本学习的跨类别故障诊断方法、系统及存储介质

说明书

一种基于小样本学习的跨类别故障诊断方法，包括：结合部件A的带标注的历史工作数据建立故障诊断模型；结合部件B的带标注的历史工作数据建立支持集；获得部件B的测试数据，将测试数据与支持集中的标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。本发明中，采用部件A的历史工作数据训练故障诊断模型，保证了故障诊断模型训练对充足的训练数据进行学习，通过部件B提供包含少量标注样本数据的支持集，保证了通过该故障诊断模型对部件B进行信号类别诊断的可行性。

技术领域

本发明涉及滚动轴承振动信号处理技术领域，尤其涉及一种基于小样本学 习的跨类别故障诊断方法、系统及存储介质。

背景技术

研究先进的机械故障诊断方法是保障设备与人员安全的重要内容，其中， 轴承是旋转机械中最为重要的机械零件之一，广泛应用于电力、化工、冶金、 航空等各个重要领域，同时轴承也是最容易损坏的元件之一，轴承性能和工况 的好坏会直接影响到整台机器设备的性能，轴承性能和工况的缺陷会导致设备 产生异常振动和噪声，甚至造成设备损坏。因此，对滚动轴承进行故障诊断， 尤其对滚动轴承早期故障的分析，尤为重要。

现有技术中，深度学习理论以其强大的建模和表征能力成为数据驱动的智 能故障诊断领域中最活跃的研究方向之一，基于深度学习的故障诊断框架具有 强大的特征学习能力，能够通过多个隐藏层直接从原始传感器数据中学习分层 表示，并自动选择有利于识别的特征，准确的进行故障分类。但是，基于深度 网络的机械故障诊断的成功取决于以下两个条件:1)海量有标签的故障数据，2) 训练和测试数据类别空间相同。但实际行业中通常会存在更为严重和实际的问 题，即很少或甚至没有故障数据可以提前从目标设备的机械零件收集到故障数 据。

发明内容

为了解决上述现有技术中对于数据采集困难的机械部件的故障诊断难度大 的缺陷，本发明提出了一种基于小样本学习的跨类别故障诊断方法、系统及存 储介质。

本发明采用以下技术方案：

一种基于小样本学习的跨类别故障诊断方法，包括以下步骤：

H1、构建故障诊断模型：获得部件A实际工作条件下的历史工作数据，对 部件A的所述历史工作数据标注信号类别，形成标注数据；构建由两条所述标 注数据组成的样本对，并对样本对中两条标注数据的信号类别的相同与否进行 标注，获得由多个带标注的样本对组成的训练集，并结合训练集进行模型训练 以获得故障诊断模型；

H2、建立支持集S：获得部件B实际工作条件下的历史工作数据，从部件B 的所述历史工作数据中任选部分作为标注样本数据，并将剩余的历史工作数据 作为部件B的测试数据；支持集包含部件B对应的所有信号类别，且每一个信 号类别均关联有对应的标注样本数据；部件A和部件B为非同类部件；

H3、跨类别故障诊断：获得部件B的测试数据，将测试数据与支持集中的 标注样本数据配对组成测试样本，通过故障诊断模型判断测试样本中的两个数 据是否属于同一信号类别，获得支持集中与测试数据所属信号类别相同的标注 样本数据，并获取该标注样本数据关联的信号类别作为测试数据的信号类别。

优选的，步骤H1具体包括以下步骤：

H11、获得部件A实际工作条件下的历史工作数据并建立标注数据集合

其中，表示部件A的历史工作数据；为的标签，表示归属的 信号类别，n_A表示D^A中的标注数据数量；

H12、构建训练集，训练集中带标注的样本对包含同类样本数据 和异类样本数据