[发明专利]一种基于增量学习的电机轴承故障诊断方法及装置

权利要求书

1.一种基于增量学习的电机轴承故障诊断方法，其特征在于，步骤包括：

在模型训练阶段，分别采集不同类型电机轴承在不同状态下的运行数据以及不同类型电机轴承在不同状态下的域数据构成训练样本集，基于深度学习网络使用所述训练样本集进行故障诊断模型训练，并筛选出当前故障诊断模型下的代表性样本，输出筛选出的代表性样本以及训练得到的模型网络参数；

在增量学习阶段，当有新增电机轴承数据样本输入时，判断新增样本是否属于新增的故障类别或者新增的域数据，根据判断结果以及代表性样本与新增样本之间的数量关系修正样本的权重，得到修正后权重，以所述训练得到的模型网络参数为初始条件，将代表性样本、新增样本以及所述修正后的权重输入至训练得到的故障诊断模型中以进行模型微调，其中所述修正后权重用于计算模型微调过程中的损失函数，所述代表性样本、新增样本作为微调数据；

在故障诊断阶段，将待诊断数据输入至经过所述增量学习阶段后最终得到的故障诊断模型中进行诊断，输出诊断结果。

2.根据权利要求1所述的基于增量学习的电机轴承故障诊断方法，其特征在于，所述运行数据包括振动加速度信号，所述域数据包括运行工况、轴承型号，所述运行工况包括转速以及负载、负载转矩中任意一种或两种以上，所述状态包括正常状态以及不同故障程度的故障状态，所述故障状态包括内圈故障、外圈故障、滚动体故障、保持架故障状态中任意多种，由故障状态与故障程度组合形成所述故障类别。

3.根据权利要求1所述的基于增量学习的电机轴承故障诊断方法，其特征在于，当采集到电机轴承的运行数据和/或输入新增样本时，还包括对数据进行预处理步骤，所述对数据进行预处理步骤包括：将运行数据从时域信号转换至频域，对转换后的各数据点和域数据分别进行归一化处理，并对各个数据点设置类别标签以及域辅助标签，所述类别标签用于标记各个数据点的类别，所述域辅助标签用于标记各个数据点所属的域。

4.根据权利要求1所述的基于增量学习的电机轴承故障诊断方法，其特征在于，所述故障诊断模型使用基于堆叠自动编码器的深度学习网络训练得到，所述深度学习网络包括输入层x、多个隐含层以及输出层L，其中上一层自动编码器经预训练后得到的隐含层作为下一层的输入，在预训练过程中通过逐层训练得到多个隐含层，然后利用部分带标签的数据通过反向传播算法微调各层参数完成所述深度学习网络的网络结构构建。

5.根据权利要求4所述的基于增量学习的电机轴承故障诊断方法，其特征在于，所述输入层x的维度为N+3，N为二分之一的采样点数，所述输出层L的维度为K，其中KC，C为当前数据中所包含的故障类别数目。

6.根据权利要求1～5中任意一项所述的基于增量学习的电机轴承故障诊断方法，其特征在于，所述损失函数的计算表达式为：

其中，J_c表示损失函数，N_total表示代表性样本和新增样本的总样本数目，I{·}是指示函数，y_i表示第i个样本的分类结果，k为实际的标签，K为输出层L的维度，其中若分类结果与实际的标签相同，即y_i＝k，则I{·}为1，否则为0；xⁱ为第i个样本，p(xⁱ)表示第i个样本属于每种标签类型的概率，λ为所述修正后权重，M＝(m₁,m₂,…,m_K)为类别标志位，m₁、m₂…,m_K分别表示各标志位的数值，各标志位的数值m＝1表示该类别已出现，各标志位的数值m＝0则表示该类别还未出现。