[发明专利]一种基于元学习的多标签滚动轴承故障诊断方法

说明书

本发明公布了一种基于元学习的多标签滚动轴承故障诊断方法，构建滚动轴承的多标签故障数据集，并按故障类别划分为训练集和测试集；提取故障信号的时频签名矩阵特征T‑FSMs；建立基于元学习的多标签卷积神经网络模型MLCML；利用训练集样本训练MLCML模型；使用测试集样本验证训练好的MLCML模型；利用训练好的模型进行小样本多标签滚动轴承的故障诊断。本发明方法充分利用滚动轴承故障样本包含的多重语义，使故障诊断结果更加准确，同时能够通过时频签名矩阵特征和元学习策略更好的解决滚动轴承实际故障诊断中的小样本问题，设计合理、操作简便，具有广泛的应用价值。

技术领域

本发明属于旋转机械故障诊断技术领域，涉及滚动轴承智能诊断方法，具体涉及一种基于元学习的多标签滚动轴承故障诊断方法。

背景技术

滚动轴承是旋转机械设备的关键部件，其健康状况对设备的工作效率有着决定性的影响。复杂的结构和恶劣的运行条件使得滚动轴承总是具有较高的故障率，严重时会导致巨大的经济损失和人员伤亡。因此，对滚动轴承的故障诊断具有重大的意义。在现有的众多滚动轴承故障诊断技术中，基于振动信号的智能诊断技术(例如，支持向量机、人工神经网络)是应用最为广泛的技术之一，尤其是基于深度学习的智能诊断技术，因其避免了依赖耗时且不可靠的人工分析且提高了故障诊断的准确性而备受关注。例如Jia等人提出一种具有较深网络结构的深度神经网络用于大量故障数据下的滚动轴承故障诊断。Lu等人利用堆叠去噪自动编码器实现了包含环境噪声和工作条件波动滚动轴承振动信号的故障诊断。Wen等人将信号转换为二维图像后提取特征并采用基于LeNet-5的卷积神经网络对滚动轴承进行故障诊断。

实际的故障诊断中通常由于可能造成巨大的损失故而不允许关键部件处于故障状态，并且关键部件结构和功能的复杂性导致了其故障的多样性，因此难以获得足够的故障样本用于模型的训练，从而限制了许多故障诊断方法的实际应用。该问题是典型的小样本问题，目前已有多种小样本故障诊断方法，例如Ren等人建立了一种基于小样本学习的胶囊自动编码器模型用于智能故障诊断，该方法构造了胶囊自动编码器提取特征胶囊，然后基于动态路由算法将特征胶囊自适应的融合到状态胶囊中，再通过分类器实现故障诊断。该方法需要每种故障条件下的80个样本来训练模型。Li等人提出一种针对时变工作条件下有限样本的深度平衡域自适应网络，并将其应用到行星齿轮箱的故障诊断中。该网络通过使用滚动轴承每种故障条件的10个训练样本取得87.57％的准确率和4.18％的标准差。Hu等人为了解决小样本故障诊断问题，提出一种基于阶次跟踪核心假设的数据增强算法用于数据扩充，并提出一种自适应卷积神经网络用于故障诊断。该方法利用每种故障条件下的两个训练样本，在5％的标准差下达到90％的准确率。另外，若从滚动轴承故障数据本身出发，不难发现一个故障样本通常包含故障位置和直径等多个标签。故障样本的多个标签对应着其多重语义，对滚动轴承故障诊断的性能和实用性有很大影响。

上述故障诊断方法采用单标签学习的方法诊断滚动轴承的单点故障，未考虑单点故障所包含的多重语义，且不能同时输出多个标签，不利于实际的滚动轴承故障诊断。在解决小样本问题时，未提取对小样本故障诊断敏感的故障特征，且小样本故障诊断的准确率有待进一步提高。

发明内容