[发明专利]基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法

权利要求书

1.基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法，其特征是：它首先对按25kHz频率采集、时长40s、总计11676组的振动瞬时数据，即，正常状态下60000组经下采样而得到2919组，保持架故障状态、内滚道故障状态、外滚道故障状态下各2919组，这四种状态下的振动瞬时数据的组数相同，逐组使用8阶低通巴特沃斯滤波器以12kHz为截止频率进行滤波，以减少噪音；之后，对于滤波后的每一组数据，采用1024点滑动窗方法计算其有效值，通过分析有效值的变化趋势，提取其最平稳亦即波动最小的4096点数据作为1个数据片段，共提取11676个数据片段作为样本，并将所有样本按照70％、30％的比例划分为训练集与测试集；针对每一样本，使用分段近似聚合算法进行降维，将其从4096点降维至256个点；对降维后长度为256点的11676个样本，使用GASF，即格拉米角场算法进行编码，获得11676个长宽均为256的单通道图；选择带有梯度惩罚的基于Wasserstein距离的WGAN-GP生成对抗网络作为生成模型，使用正常状态，标签0、保持架故障状态，标签1、内滚道故障状态，标签2、外滚道故障状态，标签3下的样本训练与之对应的WGAN-GP网络直至收敛，即得到4个对应的格拉米角场单通道图的生成器，分别使用这四个生成器对滚动轴承0、1、2、3四种状态的每一种状态均生成3万个样本，总计12万个生成样本，以之作为预训练集；使用tensorflow2中在公共人脸数据集ImageNet上预训练完成的残差网络Resnet50V2的卷积层作为特征提取层，依次连接二维全局池化层、全连接层、输出全连接层，构成适用于滚动轴承故障分类的残差分类网络；对于残差分类网络依次进行预训练和实际训练；使用tensorflow2框架的save方法将网络模型持久化，以便调用；使用测试集评价训练完成的残差分类网络；将实际十五相异步电动机滚动轴承的振动信号经过滤波、截取、分段近似聚合与GASF编码后输入到已经训练完成的模型中即可进行故障诊断。

2.根据权利要求1所述基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法，本方法包括以下步骤：

a.进行实验以测取十五相异步电动机滚动轴承的振动信号，实验针对十五相异步电动机滚动轴承的正常状态，标记为0、保持架故障状态，标记为1、内滚道故障状态，标记为2、外滚道故障状态，标记为3四种状态逐一进行，并且每一种状态均涵盖十五相异步电动机的负载变化，即，满载、半载、空载，从而获取了大量的振动数据，对于状态0，满载、半载、空载每种负载状况下的数据为20000组，三种负载状况共60000组，而对于状态1、状态2、状态3，分别在满载、半载、空载三种负载状况下各测取973组数据，获得状态1、状态2、状态3下的数据各2919组，以上每组数据的采样时长均为40s、采样频率均为25kHz；

b.此时正常样本远多于故障样本，极度不均匀、正常样本过多，直接进行深度学习会导致神经网络分类器对正常样本的特征学习过多而忽视故障样本，所以对整个数据集进行下采样，即随机丢弃正常样本的多余部分，使得正常、保持架故障、内滚道故障、外滚道故障四种状态下的样本数量一致，即正常状态数据60000组，保持架故障、内滚道故障、外滚道故障数据各2919组，使用python的imbalanced-learn库中的RandomUnderSampler函数对四种状态下的整个数据集进行随机下采样，获得正常样本2919组、保持架故障样本2919组、内滚道故障样本2919组、外滚道故障样本2919组，总计11676组样本；

c.对于每一组数据，使用8阶低通巴特沃斯滤波器以12kHz为截止频率进行滤波，以减少噪音；

d.对于滤波后的每一组数据，采用1024点滑动窗方法计算振动瞬时信号的有效值，通过分析有效值的变化趋势，提取其最平稳亦即波动最小的4096点数据作为1个数据片段，共提取11676个数据片段作为样本，这里采用1024点滑动窗方法计算振动瞬时信号的有效值的方法是：选取振动瞬时信号v_s中的连续1024点，计算其有效值对于所选取的v_s中的连续1024点，保留后1023点，顺序递补v_s中的后面1点，即第1025点，从而再次获得v_s中的连续1024点，再次计算其有效值，以此类推，确定v_s的有效值变化趋势；

e.将所有样本按照70％、30％的比例划分为训练集与测试集；

f.针对每一样本，使用分段近似聚合算法进行降维，将其从4096点降维至256个点，降维过程依旧保持标签与样本一一对应；

g.对降维后长度为256点的11676个样本，使用GASF算法进行编码，获得11676个长宽均为256的单通道图，降维后的样本为如下形式{x₁,…,x_n}的时序数据，n为256，x₁表示该样本第1点的数据，其余类推，使用公式φ_i＝arccos(x_i)，i＝1,2,…,n，计算样本每一点的反余弦函数值后获得序列{φ₁,…,φ_n}，对该反余弦函数序列进行如下编码获得伪格拉姆矩阵

其中，φ_i,j＝φ_i+φ_j，该矩阵即为单通道图；

h.选择带有梯度惩罚的基于Wasserstein距离的WGAN-GP生成对抗网络作为生成模型，构造四个WGAN-GP网络，分别对应四种不同的训练样本，使用标签为0的样本训练对应的生成对抗网络，每10个循环观察生成器的样本质量，在训练500个循环后模型收敛，观察到生成样本质量已满足需要，对于标签1、2、3对应的样本与生成对抗网络，依次按上述流程进行训练，从而获得分别对应0、1、2、3四种状态的格拉米角场单通道图的生成器，进而使用这四个生成器对滚动轴承的0、1、2、3四种状态的每一种状态均生成3万个样本，总计12万个生成样本，并作为预训练集；

i.构造残差分类网络，使用tensorflow2中在公共人脸数据集ImageNet上预训练完成的50层残差网络Resnet50V2的卷积层作为特征提取层，之后依次连接二维全局池化层、全连接层、输出全连接层，构成适用于滚动轴承故障分类的残差分类网络；

j.对于残差分类网络进行预训练，首先冻结特征提取层参数，使用步骤h中生成的样本进行预训练，在达到精度指标后即可结束预训练，选取85％的测试准确率作为该指标；

k.对预训练完成的网络，使用实际训练集，按照以下步骤进行训练：1)冻结特征提取层参数，训练全连接层，2)冻结全连接层，训练卷积特征提取层，3)对整个网络进行最终微调，在训练过程中，当网络准确度提升较小时，即5个训练循环后“分类准确率”这一训练指标的提升均低于0.01％时，即可认为网络收敛，引入early-stopping机制监控网络的收敛情况，该机制由tensorflow2框架提供，在网络训练过程中监控到训练指标“分类准确率”提升较小的情况而判断网络收敛并提前结束训练；

l.使用tensorflow2框架的save方法将网络模型保存为h5格式的文件，需要时直接加载该文件、调用即可；

m.使用测试集评价训练完成的残差分类网络；

n.将实际十五相异步电动机滚动轴承的振动信号经过步骤c的滤波、步骤d的截取、步骤f的分段近似聚合与步骤g的GASF编码后输入到已经训练完成的模型中即可进行故障诊断。