[发明专利]一种基于非线性度量原型网络的滚动轴承故障诊断方法

说明书

发明涉及仿真分析技术领域，具体涉及一种基于非线性度量原型网络的滚动轴承故障诊断方法，包括构建级联注意原型非线性度量网络，并对构建的网络进行分类训练，将带诊断的数据进行数据处理后输入训练好的级联注意原型非线性度量网络，输出诊断结果；本发明通过原型计算模块提取特征图，同时对支撑集特征计算原型，在级联注意力模块里将查询样本特征与各类原型一一拼接，然后通过级联注意力机制提取拼接样本的长距离相关性，最后将级联注意力模块提取的特征输入非线性度量模块，从而实现小样本条件下准确有效的轴承故障诊断。

技术领域

本发明涉及仿真分析技术领域，具体涉及一种基于非线性度量原型网络的滚动轴承故障诊断方法。

背景技术

滚动轴承作为大型旋转机械设备中最关键的部件之一，在恶劣环境下长时间运行极易损坏，甚至导致整个机组不能正常工作，造成巨大的经济损失或人员伤亡。因此，对滚动轴承进行准确、智能的故障诊断在工业界和学术界具有非常重要的意义。

基于深度学习的滚动轴承故障诊断方法在过去几年中得到了迅猛发展,其利用神经网络强大的特征维数约简、模式识别能力对振动信号进行故障诊断识别。与传统的诊断算法相比，深度学习拥有更强大的高维度、非线性抽象数据特征提取能力和更准确的模式识别能力，无需人为的特征提取。诸如自动编码器(AE)、深度置信网络(DBN)、卷积神经网络(CNN)和深度残差网络(DRN)等深度学习方法已经广泛应用在标记样本充足的滚动轴承故障诊断领域中，并发挥出了较好的性能。然而，这些方法的成功大部分都归功于大量的标签数据，而在实际的工业应用场景里，由于滚动轴承在生命周期中多数情况下是正常运行，很难直接获取足够的标记故障样本。标记故障样本稀缺将导致传统深度学习方法故障诊断模型过拟合、鲁棒性差以及故障诊断准确率低等问题。因此，在标签故障样本较少的条件下，研究用于滚动轴承的故障诊断模型具有重要的工程意义。

发明内容

针对现有技术中由于标记样本稀缺，基于深度学习的故障诊断方法难以取得理想的识别效果，本发明提出一种基于非线性度量原型网络的滚动轴承故障诊断方法，包括构建级联注意原型非线性度量网络，并对构建的网络进行分类训练，将带诊断的数据进行数据处理后输入训练好的级联注意原型非线性度量网络，输出诊断结果。

进一步的，级联注意原型非线性度量网络包括样本集划分模块、原型计算模块、级联注意力机制学习模块以及非线性度量策略分类训练模块，其中：

利用样本集划分模块将样本集划分为支撑集和查询集；

将划分的数据集输入原型计算模块获取数据集中样本对应的特征图，并通过支撑集的特征图计算类别原型；

将查询集样本的特征图与各类别的原型进行一一拼接，并采用级联注意力机制学习模块提取拼接样本的长距离相关性；

将级联注意力机制学习模块提取拼接样本的长距离相关性输入非线性度量策略分类训练模块进行分类训练。

进一步的，将划分的数据集输入原型计算模块获取数据集中样本对应的特征图，即利用特征提取器将样本集L中的样本x_i嵌入到特征空间，表示为：

对于第c类故障，利用支撑集S生成原型P_C，包括：

其中，y_i表示支撑集S中第i个样本的标签。

进一步的，级联注意力机制学习模块包括通道注意力子模块和空间注意力子模块，提取拼接样本的长距离相关性包括：

级联注意力机制学习模块对输入的拼接样本进行卷积，提取到特征F；

将特征F分别输入通道注意力子模块和空间注意力子模块，通道注意力子模块自适应调整各个通道之间的特征值，建立通道依赖关系，得到通道注意力特征F_c'；