[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

说明书

本发明公开一种基于增量学习的电机轴承故障诊断方法及装置，该方法步骤包括：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、域数据构成训练样本集，进行故障诊断模型训练，并筛选出代表性样本；在增量学习阶段，当有新增样本输入时，判断是否属于新增类别或者新增域，根据判断结果修正新增样本的权重，以训练得到的网络参数为初始条件，将代表性样本、新增样本以及修正后的权重输入至故障诊断模型中以进行模型微调，其中修正后的权重用于计算模型微调过程中的损失函数；在故障诊断阶段，将待诊断数据输入至最终得到的故障诊断模型中进行诊断。本发明具有实现方法简单、成本低、诊断精度以及效率高且应用范围广等优点。

技术领域

本发明涉及电机故障诊断技术领域，尤其涉及一种基于增量学习的电机轴承故障诊断方法及装置。

背景技术

电机轴承故障包括多种故障类型，例如内圈故障、外圈故障、滚动体故障、保持架故障等，且根据故障尺寸还会涉及不同的故障程度。电机轴承故障诊断即是要通过检测以及数据处理，自动诊断出电机轴承是否存在故障。基于深度学习的电机轴承故障诊断方法能够获得高精度的诊断效果，但是该类方法主要依赖于足量的训练数据以及训练集和测试集数据满足分布相同假设，而在实际应用中，电机轴承多运行于正常状态，故障数据的获取不易，很可能是分阶段、分批次获取的，并且电机轴承型号和工况的差异都会导致数据分布差异，上述因素都会导致最终的诊断效果受限。若利用原数据和新数据进行完全的重新训练，又会造成对计算和存储资源的消耗问题。

增量学习式的模型训练方式可以解决上述数据逐步获取时模型的渐进训练问题。增量学习方式即是通过将数据以流式获取，当出现新数据时，再从新数据中学习知识的同时，保留已经学习到的知识，以避免完全重新训练所带来的资源浪费。但是现有技术中利用增量学习方式实现设备故障诊断时，通常是直接将新增样本与代表性样本作为整体进行训练，且仅关注识别设备的故障类别，也即为类增量问题(新增样本是否是新的故障类别)，当应用于实现电机轴承故障诊断时会存在以下问题：

1、在电机轴承故障诊断中，电机轴承型号和运行工况等差异都会导致故障特征的改变，也即虽然故障类别相同，不同的域数据会展示出不同的特征，传统增量学习方式仅关注类增量问题，无法满足电机轴承故障诊断中域增量的需求。域增量是指新增样本是否涉及新的域，即与原有训练数据不同工况或不同轴承类型的数据，由于域增量数据的存在会导致最终诊断模型的失效，影响故障诊断的精度。

2、由于在增量学习中是直接将代表性样本和新增样本作为整体进行训练，当两者样本数量相差较大时，会导致训练的模型不能很好的表征样本量少的一方的特征，致使影响模型精度。而现有技术中常用的过采样少数类、欠采样多数类或者两者相结合的方式，又容易导致过拟合或信息丢失的问题，传统基于生成式对抗网络的数据生成方法则会存在训练难度大、收敛性不易保证等的问题。

综上，现有技术中利用增量学习实现电机轴承故障诊断的方案中，就无法兼顾诊断效率、精度以及成本。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、成本低、诊断精度以及效率高且应用范围广的基于增量学习的电机轴承故障诊断方法及装置。

为解决上述技术问题，本发明提出的技术方案为：

一种基于增量学习的电机轴承故障诊断方法，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；