[发明专利]一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法

权利要求书

1.一种基于数据增强的滚动轴承多尺度鲁棒异常检测方法，其特征在于，包括如下步骤：

S1获取轴承正常工作状态下的振动信号数据，组成轴承早期故障诊断训练数据集；

S2对步骤S1的振动信号数据进行水平方向和垂直方向变换得到新的振动信号样本，将新的振动信号样本变换到子空间得到不同尺度的轴承信号样本；

S3将得到的不同尺度的轴承信号样本放入鲁棒多尺度Deep-SVDD模型中进行训练；具体步骤如下：

S31将得到的不同尺度的轴承信号样本输入到鲁棒深度自编码网络中进行特征提取，将样本空间映射到M个低秩特征空间；

S32采用学习向量方法求解变换后的M个样本子空间在鲁棒深度自编码低秩空间中的原型中心c₁,K,c_M，即为变换后的样本在神经网络特征空间下的中心点；

S33将鲁棒深度自编码网络提取的全部样本特征分别输入到SVDD算法中，将M个低秩特征和原型中心c₁,K,c_M之间基于距离的交叉熵作为损失函数，并最小化训练得到M个Deep-SVDD超球体；

其中，原始样本x经过M个变换得到变换后的样本T(x,i),K,T(x,M)，对于每个变换后的样本T(x,i)，计算以下条件概率：其中E_θ为特征提取网络，c_i为变换后的样本空间X_i的中心；

基于距离的交叉熵表示为：loss_dce＝-logp(x∈c_i|x)；

最终的优化函数如下：其中μ0，λ0为正则化系数，L_D为Deep-SVDD的训练样本，D_θ为超球体中心，‖S‖_2,1为正则项；

S34计算训练数据集中样本异常得分的最大值作为评判测试样本是否为异常样本的阈值标准；根据公式计算出所有变换后的样本与所有原型中心的距离得到其位于各自子空间中的概率，样本x正常的概率是所有变换后的样本位于其各自子空间中的概率的乘积，最终的异常分数表示为：

S4将样本异常分数与阈值标准进行比较，大于阈值标准则认为其为异常样本，小于等于该阈值标准则认为其为正常样本。

2.根据权利要求1所述的基于数据增强的滚动轴承多尺度鲁棒异常检测方法，其特征在于，步骤S2中的水平方向变换为对振动信号数据中的原始信号进行变换，具体步骤如下：

S211对原始信号从任意一端裁剪p％的长度,p的取值范围为0≤p≤50；

S212对于裁剪后的信号使用重采样方法采样到原始信号的长度；

S213对于振动信号样本分别从信号的两端进行裁剪得到两组等长的数据作为变换后数据的两个通道，变换后的信号样本以不同尺度展现在同一特征空间；

S214通过调整裁剪参数p得到多样的变换。

3.根据权利要求1所述的基于数据增强的滚动轴承多尺度鲁棒异常检测方法，其特征在于，步骤S2中的垂直方向变换为对振动信号数据中的原始信号进行变换：具体地，设定放缩参数0α1，对原始信号做如下变换：

4.根据权利要求1所述的基于数据增强的滚动轴承多尺度鲁棒异常检测方法，其特征在于，步骤S31中使用的网络架构为深度残差网络图。