[发明专利]一种基于元迁移学习的轴承小样本故障诊断方法和系统

说明书

本发明涉及一种基于元迁移学习的轴承小样本故障诊断方法和系统，方法包括：采集不同工况下的轴承振动信号；对轴承振动信号进行快速傅里叶变换，并将变换后的轴承振动信号转换为二维特征图片集，二维特征图片集包括第一样本和第二样本；通过第一样本训练深度学习卷积网络，并保留训练后网络的特征提取器，同时剔除训练后网络的第一分类器，其中，所述第一分类器用于第一样本的分类；基于所述特征提取器和第二分类器构建模型，通过元迁移学习对模型中当前故障诊断任务的神经元参数进行优化，使特征提取器自适应其他所有故障诊断任务，其中,所述当前故障诊断任务为基于所述第二样本的故障诊断任务。本发明可以出色地解决小样本故障诊断问题。

技术领域

本发明涉及机械故障诊断技术领域，尤其是指一种基于元迁移学习的轴承小样本故障诊断方法和系统。

背景技术

随着现代工业化进程的快速发展，旋转机械设备的精密性和重要性越来越高。旋转机械设备已成为使用最广泛的工业机械设备之一，人们对其可靠性的要求越来越高。旋转机械被用于许多领域，如航空、航海、机械、化工、能源、电力等领域，其服役工况呈现愈加复杂的趋势，且在运行过程中不可避免地会发生性能衰退甚至发生故障，产生巨大的经济损失，导致其运维成本越来越高，甚至会导致灾难性的人员伤亡，给环境和社会造成无法挽回的恶劣影响。

近年来，随着人工智能技术的加入，故障诊断已变得自动化和智能化。基于深度学习(DL)的故障诊断方法是一种广泛使用的人工智能方法。故障诊断领域提出了几种DL方法，以解决浅层机器学习算法的特征提取能力不足的问题。DL采用了深度神经网络结构，从而表明将通过逐层贪婪学习机制自动从原始数据中提取深度代表性特征。然而，DL智能诊断模型需要足够的训练数据来准确识别故障类型，但是在实际项目场景中难以构建用于智能诊断模型训练的完美数据集。(1)收集的故障数据是有限的，因为机器的运行通常是正常的，并且很难用这些故障数据训练有效的诊断模型。(2)人类产生的故障类型相对有限。因此，在实际工作条件下的智能故障诊断通常是小样本问题。小样本学习的先验知识来自三个方面：数据、模型和算法。对小样本学习的研究也从这些方面开始。当前故障诊断研究中经常采用扩展数据和改进模型的方法来解决少镜头问题。模型改进方法中的元学习是近年来广泛研究的一种新的学习策略。元学习教给模型“学会学习”，以确保它可以在培训过程之外学习知识，可以很好的解决小样本问题。

然而，在元学习微调操作中容易出现过拟合现象。元学习方法通常使用低复杂度的神经网络来建模，以避免在每个小样本任务中模型过度拟合，而使用浅层小网络将导致模型缺乏特征提取能力，元学习通常需要学习大量的任务，这些任务表现出未知的相关性，并且很难确定。因此，在学习过程中接受新任务时，不应忘记旧任务中的信息也很重要。

因此，基于元学习范式，以旋转机械设备为对象，开展小样本故障类型、机械设备的故障诊断方法的研究有重要意义。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中元学习识别轴承小样本故障存在的过拟合现象、以及克服现有元学习过程中模型接受新任务时，容易忘记旧任务中信息的问题。

为解决上述技术问题，本发明提供了一种基于元迁移学习的轴承小样本故障诊断方法，包括：

步骤S1：采集不同工况下的轴承振动信号；

步骤S2：对所述轴承振动信号进行快速傅里叶变换，并将快速傅里叶变换后的轴承振动信号转换为二维特征图片集，所述二维特征图片集包括第一样本和第二样本；

步骤S3：通过所述第一样本训练深度学习卷积网络，并保留训练后的深度学习卷积网络的特征提取器，同时剔除训练后的深度学习卷积网络的第一分类器，其中，所述第一分类器用于第一样本的分类；