[发明专利]基于小样本深度学习的一类冲击故障诊断

权利要求书

1.一种基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述方法包括：

获取设备监测数据对应的迁移特征，得到迁移特征集；

对所述迁移特征集进行重构，得到所述设备的训练集，所述训练集中包括所述设备的真实频域数据及虚拟频域数据；

基于机器学习，对所述训练集进行训练，构建所述设备的故障诊断模型，所述故障诊断模型用于识别设备是否发生故障。

2.根据权利要求1所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述获取设备的迁移特征集包括：

对所述监测数据进行频谱分析，得到所述对应的频域数据，所述频域数据作为所述设备的迁移特征。

3.根据权利要求1所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述对所述迁移特征集进行重构，得到所述设备的训练集包括：

生成循环生成对抗网络。

基于所述迁移特征集对所述循环生成对抗网络进行训练，得到目标生成器，所述目标生成器用于生成设备的虚拟频域数据；

基于所述重构模型，以及获取的所述特征集，生成所述训练集，所述训练集包括真实样本及生成的虚拟样本。

4.根据权利要求3所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述循环生成对抗网络包括第一生成器、第二生成器、第一判别器及第二判别器，所述第一生成器包括虚拟频域数据特征向真实频域数据的映射算法，第二生成器包括真实频域数据向虚拟频域数据的映射算法，所述第一判别器用于识别所述第一生成器的输出结果，所述第二判别器用于识别所述第二生成器的输出结果，

其中，所述目标生成器为所述第一生成器中的一个。

5.根据权利要求1-4任一项所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述故障诊断模型为一维CNN模型，所述一维CNN模型包括多个卷积层、池化层及全连接层。

6.根据权利要求1-4任一项所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述设备为轴承，则所述迁移特征为通过对监测的振动信号分析后得到的频域数据，表示为：

其中，N为采样点数，f₀为频率分辨率，C_i为频率i×f₀的成分系数，δ为激励函数，f_res为设备残振。

7.根据权利要求6所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述轴承的故障类型包括内圈故障、外圈故障及滚动体故障，则C_i包括外圈故障频率成分系数内圈故障频率成分系数及滚动体故障频率成分系数所述迁移特征集表示为：

H＝[H_OR H_IR H_B]^T，

其中，

其中，分别为外圈故障频率1～3倍频，P为倍频系数，β用于减轻实际中各种随机因素的影响，q为衡量冲击响应的强度。

8.根据权利要求1-7任一项所述的基于小样本深度学习的一类冲击故障诊断方法，其特征在于，所述方法还包括：

获取待诊断设备的监测数据；

对所述监测数据进行预处理，得到对应的迁移特征集；

将所述设备迁移特征集输入到所述的故障诊断模型中，输出所述设备的故障诊断结果。