[发明专利]一种多工况下小样本滚动轴承故障诊断方法

权利要求书

1.一种多工况下小样本滚动轴承故障诊断方法，其特征是，所述方法包括以下步骤：

a.将数据采集系统采集到的存在故障的滚动轴承的原始振动信号根据不同工况、不同采样频率、不同故障程度、不同故障类型进行分类，构建成任务集T，得到由原始振动信号组成的数据样本矩阵其中x_m表示第m个样本，M表示样本数量，表示第m个样本的第i个数据，n表示样本的长度；

b.将任务集中的数据输入到ISDAE进行重构，得到保留了原始信号中的有效特征，并降低了噪声的重构信号矩阵

c.利用MAML对重构信号进行分类，训练MAML的模型参数，获得最优网络模型；

d.将数据采集系统采集到的被监测滚动轴承的原始振动信号输入到训练好的MAML模型，判断滚动轴承是否存在故障及故障的类型。

2.根据权利要求1所述的一种多工况下小样本滚动轴承故障诊断方法，其特征是，将任务集中的数据进行重构的具体过程为:

在原始振动信号组成的数据样本矩阵X中添加随机噪声，构成信号矩阵在损失函数中加入概率分布度量MMD(X,Y)和稀疏惩罚项β表示惩罚系数，ρ表示稀疏参数，表示第j个隐藏单元的激活值，其等于稀疏参数，s表示隐藏单元的个数，KL(.)用来测量ρ和之间的相对熵，得到ISDAE的损失函数：

式中：通过迭代的方式，最小化损失函数J_ISDAE，从而得到重构信号矩阵

3.根据权利要求1或2所述的一种多工况下小样本滚动轴承故障诊断方法，其特征是，利用MAML对重构信号进行分类，训练MAML的模型参数的具体过程为：

a.从重建后的任务集T中随机采样N类样本，从每类样本中随机采样K+1个样本，然后在每类样本的K+1个样本中随机抽取K个样本组成训练集，每类样本剩下的一个样本组成测试集；

b.搭建MAML模型；

c.元学习过程：从训练集中每一类随机选取一个样本，构成一组训练数据输入到MAML模型进行训练，对MAML模型的参数进行更新；

d.重复步骤c，通过多次迭代更新MAML的参数获得最优网络模型，然后从测试集中随机抽取一个样本，用已经训练好的MAML判断滚动轴承故障的类型，完成对MAML模型的测试。

4.根据权利要求3所述的一种多工况下小样本滚动轴承故障诊断方法，其特征是，所述MAML模型包括四组模块，每组模块由3×3的卷积核、批量正则化层、ReLU激活函数层、2×2的最大池化层和64个输出单元组成。