[发明专利]一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法

说明书

本发明公开了一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，本方法在深度学习的基础上加入了特征工程，综合考虑了原始信号的时域特征、频域特征、工况特征和时间差分特征，将这些特征与原始信号融合成新的一维信号并转换为二维图像的格式，通过混类增强以线性插值的方式构造虚拟样本和标签，利用二维卷积神经网络强大的特征提取能力，输入到ResNet18网络中进行训练。该方法全面考虑了原始数据的潜在特征，并对数据的分布进行了扰动，提高了模型的泛化能力。该方法不仅提高了滚动轴承故障诊断的精度，还具有良好的域适应性，适合多种工况下的故障诊断。

技术领域

本发明涉及深度学习技术领域，特别是涉及一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法。

背景技术

近年来，随着国家产业升级、节能减排，要对航空发电机、轨道交通设备、农业设备等 大型机械系统实现实时故障诊断，开发具有健康监控、故障诊断检测与诊断、剩余寿命预测 等管理功能的先进健康监控系统。滚动轴承是旋转机械中的重要零件。在旋转机械的故障中， 由轴承损坏引起的故障约占30％。因此，滚动轴承的故障诊断对于旋转机械设备的状态监测 与维护有着重要意义。

在实际的工业环境中，尽管故障的类型相同，但在不同的工作条件下，它们的信号可能显示出很大的差异。许多滚动轴承故障诊断研究都集中在同种工况下模型的高精度上，忽略了不同操作条件对数据内部表示的重要影响，对数据特征的处理和选择也比较单一，缺乏全面性。

另一方面，虽然可以通过深度神经网络来训练非常强大的特征提取能力，但是却比较难以学习到数据内部通用的知识，导致最后训练出的模型只适合处理类似于训练样本分布的数据，在训练样本分布以外的测试数据上表现不佳。因此，在实际应用场景中，就会出现“模型退化”现象：某个阶段训练的模型在另一阶段获取的数据上测试性能下降。

深度学习滚动轴承故障诊断方法存在以下几个方面的问题。

其一，域适应问题。深度神经网络虽然可以训练非常强大的特征提取能力，但是却比较难以学习到数据内部通用的知识，导致最后训练出的模型只适合处理类似于训练样本分布的数据，在训练样本分布以外的测试数据上表现不佳。因此，在实际应用场景中，就会出现“模型退化”现象：某个阶段训练的模型在另一阶段获取的数据上测试性能下降。这就是深度学习的域适应问题。

其二，特征选择问题。在实际的工业环境中，尽管故障的类型相同，但在不同的工作条件下，它们的信号可能显示出很大的差异。关于故障诊断的许多研究都集中在同种工况下模型的高精度上，忽略了不同操作条件对数据内部表示的重要影响，对数据特征的处理和选择也比较单一，缺乏全面性。

其三，数据增强问题。在计算机视觉领域，传统的数据增强方式通过对图像进行裁剪、旋转、缩放等几何变换生成新的训练样本，图像标签保持不变。但是这种数据增强方式存在以下局限性：

1、生成的新样本属于同一类别；

2、不同类别不同样本之间的关系没有被建模；

3、出现过拟合现象。因此需要设计新的数据增强方式。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，用以解决背景技术中提交的技术问题。该方法综合考虑原始振动信号的时域特征、频域特征、工况特征和时间差分特征，并将这些特征与原始信号融合在一起形成新的带有更全面信息的特征向量，通过混类增强策略对其分布进行扰动，抑制模型的过拟合，最终提高滚动轴承故障诊断模型的域适应性和泛化能力。

为了实现上述目的，本发明采用如下技术方案：

一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法，该方法包括以下步骤：