[发明专利]一种基于生成特征重放的轴承增量故障诊断终身学习方法

说明书

本发明涉及一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括：将轴承状态数据集划分为多个不同诊断阶段；学习初始阶段的灰度图片样本，训练第一特征提取器和第一分类器；使用第一特征提取器提取的特征，利用对抗生成网络交替训练，得到第一特征生成器；构建原始故障诊断模型，设置其全连接层神经元数量为初始阶段故障类型数量；在增量学习阶段，利用n‑1阶段的原始故障诊断模型，训练更新n阶段的故障诊断模型，利用特征蒸馏损失函数缩小第n特征提取器与第n‑1特征提取器提取的特征的差异，利用重放对齐损失约束第n特征生成器与第n‑1特征生成器生成的特征相似，更新全连接层神经元数量为初始阶段至第n阶段故障类型数量总和，得到最终故障诊断模型。

技术领域

本发明涉及机械故障诊断与机器学习技术领域，尤其是指一种基于生成特征重放的轴承增量故障诊断终身学习方法及系统。

背景技术

在技术水平的推动下，现代工业正朝着信息化、智能化的方向发展。工业设备作为现代工业的重要载体，其故障不仅会造成巨大的经济损失，而且会带来巨大的安全风险。轴承是工业设备中不可缺少的一部分，需要在高温高压等恶劣环境下长时间工作。轴承在恶劣条件下的健康稳定运行对工业生产非常重要。因此，对轴承的健康状态进行监测至关重要。

传统的机器学习往往需要大量的专业知识和复杂的特征工程，也就是专业人员人工操作处理。先对数据集执行深入的探索性数据分析，再由PCn或者其他方法对数据进行降维处理，最后才是特征提取。其中最麻烦的还是人工的步骤，不同领域的专业知识交叉并不多，在不同的领域研究问题，往往需要多个该领域的专业人员进行手动特征提取，这导致研究成本的增大。

而深度学习的发展使得利用人工智能可以自动实现机器设备零件的故障检测和识别。例如，将卷积神经网络(CNN)、自动编码器(nEs)、循环神经网络(RNN)、深度信念网络(DBN)和多层感知器引入故障诊断领域。然而，这些诊断模型需要基于两个假设：训练数据与测试数据同分布且训练数据足够多；即要为每种故障类型都收集不同工况下的足量故障信息，以确保高精度诊断。但是由于机器在实际操作过程中工况多变且故障类型复杂多变，导致两个假设在实际工作条件下很难实现，使得模型的诊断效果不佳。这个问题被称为灾难性遗忘，解决灾难性遗忘和建立稳定、可靠和可持续的智能诊断模型是深度学习领域的重要问题。

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在实际操作过程中工况多变且故障类型复杂多变导致的灾难性遗忘问题。

为解决上述技术问题，本发明提供了一种基于生成特征重放的轴承增量故障诊断终身学习方法，包括:

S1：采集不同故障类型的轴承振动加速度时域信号，进行预处理，获取灰度图片样本，添加故障类型标签，构建轴承状态数据集，并划分为多个不同诊断阶段的数据集；

S2：构建原始故障诊断模型，设置其分类器全连接层神经元数量为初始阶段故障类型数量；根据初始阶段故障类型的灰度图片样本，训练得到第一特征提取器与第一分类器；利用第一特征提取器提取的特征，交替训练鉴别器与生成器，获取第一特征生成器；

S3：在第n阶段，通过第n-1阶段的第n-1特征提取器与第n-1分类器，初始化第n特征提取器与第n分类器；利用第n阶段故障类型的灰度图片样本训练更新第n特征提取器，同时利用特征蒸馏损失函数缩小第n特征提取器与第n-1特征提取器提取的特征的差异；

其中，n＝1,2,3，…，N；n取1时，为初始阶段；N为诊断阶段的个数；

S4：利用第n特征提取器提取的特征与第n-1特征生成器生成的特征，共同训练更新第n分类器，并利用分类损失函数防止第n分类器遗忘；更新第n分类器的全连接层神经元数量为初始阶段至第n阶段故障类型数量的总和；