[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

说明书

本发明是一种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，适用于非平衡小样本情况，属诊断技术领域。该方法将样本划分为训练集与测试集，使用GASF对训练集信号编码而得到单通道图；再将单通道图作为样本训练WGAN‑GP网络，得到样本对应的生成器网络；之后，根据迁移训练的原理，利用ImageNet预训练的残差网络卷积层作为特征提取层构造残差分类网络。进而，进行训练：使用生成器网络生成的样本对全连接层进行训练；使用实际样本作为训练集依次训练全连接层和特征提取层；对整个残差网络进行微调。将训练好的模型存储，调用即可完成诊断，准确率不低于99.4％。

技术领域

本申请涉及一种能够在非平衡小样本情况下诊断十五相异步电动机滚动轴承故障的方法，属诊断技术领域。

背景技术

因其高可靠性、容错运行等诸多优点，十五相异步电动机已经应用于舰船、潜艇等特殊领域，滚动轴承则以压倒性优势应用于十五相异步电动机。滚动轴承由外滚道、内滚道、保持架以及在它们之间转动的滚动体组成。在正常工作条件下，疲劳失效从微小裂纹开始，并逐渐扩展，继而引起材料碎片脱落，导致故障。因此，十五相异步电动机滚动轴承的故障诊断具有重要意义。

就目前而言，振动信号频谱分析是最为准确、可靠的十五相异步电动机滚动轴承故障诊断方法。该方法采集滚动轴承的时域振动信号并变换至频域，进而将频域振动信号与滚动轴承所固有的频域振动特性对比，以判断滚动轴承故障发生与否及其类型(例如，保持架故障、内滚道故障、外滚道故障)。

自2000年以来，机器学习方法应运而生并迅速获得广泛应用，这为故障诊断开辟了新的思路。通常，基于机器学习的轴承故障诊断方法可以分为三个步骤：首先，对信号预处理以凸显故障特征；其次，选择合适的模型进行训练与优化；最后，对实际采集到的数据进行故障诊断。

常用的机器学习算法有支持向量机(Support Vector Machine，SVM)、随机森林(Random Forest，RF)等，这些机器学习算法非线性较弱而难以提取深层特征，且严重依赖于预处理算法的特征凸显效果，因此对于复杂的分类问题往往无能为力。而十五相异步电动机滚动轴承故障包括保持架故障、内滚道故障、外滚道故障及其交织等复杂情况，恰恰就是复杂的分类问题。因此，对于十五相异步电动机滚动轴承故障诊断而言，上述常用的机器学习算法并不适用，或者，无法取得理想的效果。

更加重要的是，由于对轴承故障无法生成高质量的模拟数据，而工程实际中轴承故障相对于正常状态是小概率事件，采集实际的轴承故障信号的机会并不充分，因此获得的轴承正常和故障样本通常不平衡、故障样本的总量偏少。而常用的机器学习算法不能很好地处理非平衡小样本的情况，自然也就不能理想地用于十五相异步电动机滚动轴承的故障诊断。

发明内容

为了克服上述现有技术的不足，本申请提供一种基于GASF(格拉米角场)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，该方法能够利用少量的振动信号而生成高质量且充分的样本，并使用迁移学习训练残差分类器网络实现非平衡小样本下的十五相异步电动机滚动轴承故障诊断。

本申请所采用的技术方案是：

一种基于GASF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，它包括以下步骤：

a.首先进行系统的实验，测取十五相异步电动机滚动轴承的振动信号。

这一工作针对十五相异步电动机滚动轴承的正常、保持架故障、内滚道故障、外滚道故障四种状态逐一进行，并且每一种状态均涵盖十五相异步电动机的负载变化(满载、半载、空载)。