[发明专利]基于隐式数据增强的小样本机械故障诊断方法及装置

权利要求书

1.一种基于隐式数据增强的小样本机械故障诊断方法，其特征在于，包括以下步骤：

采集机械设备不同故障类型的原始振动信号X(n)，n为信号的采样点数；

对原始振动信号进行预处理，并将预处理后的数据按照预设比例划分为训练集和测试集；

搭建智能故障诊断模型，并初始化网络参数，所述智能故障诊断模型包括主干诊断网络和隐式增强网络，隐式增强网络用于对主干诊断网络进行隐式数据增强；

初始化训练参数，将训练集中的数据输入到智能故障诊断模型中进行训练，主干诊断网络与隐式增强网络进行对抗训练，并采用早停法判断是否满足早停准则，若满足，则提前结束训练；否则，更新权重和偏置参数继续输入模型中训练；

提取智能故障诊断模型中的主干诊断网络，输入测试集中的数据对主干诊断网络进行模型评估，并进行模型部署后，用于机械故障在线诊断。

2.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，通过加速度传感器采集不同故障类型的原始振动信号。

3.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，所述对原始振动信号进行预处理，包括：

对采集到的原始振动信号进行归一化处理，归一化处理公式如下：

其中L表示一维原始振动信号，L(i)表示L中的某一个信号值，L.size表示一维振动信号的长度，Min(L)表示一维振动信号L的最小信号值，Max(L)表示一维振动信号L的最大信号值；

经过归一化处理后，信号值被归一至与单通道图像像素值一致的0-255范围内；

采用滑动窗口方法将原始振动信号划分为长度为M²的段信号；

将长度为M²的段信号转化成长宽均为M的灰度图。

4.根据权利要求1所述的基于隐式数据增强的小样本机械故障诊断方法，其特征在于，所述主干诊断网络包括特征提取层以及两个并列的分类层，两个并列的分类层为辅助对抗层和故障分类层；

所述特征提取层包括一个卷积模块、四个残差模块和三个平均池化层，首先输入图像通过卷积模块处理变为大小为32×64×64的特征图，然后通过第一个残差模块处理后变为大小为64×64×64的特征图，再经过第一个平均池化层变为大小为64×32×32的特征图，类似的，特征图再经过第二个残差模块、第二个平均池化层、第三个残差模块、第三个平均池化层后变为大小256×8×8的特征图，最后通过第四个残差模块的处理后变为大小512×8×8的特征图；激活采用LeakyReLU激活函数，标准化采用批标准化，经过特征提取层后，输入的灰度图转化为大小512×8×8的特征图；

所述故障分类层用于完成故障诊断的任务，所述辅助对抗层用于帮助隐式增强网络进行训练，辅助对抗层和故障分类层都分别包括一个全局平均池化层和一个卷积模块，经全局平均池化层后，8×8×512的特征图大小变为1×1×512的特征图，再经过卷积模块处理分别输出长度为1和classes的一维特征图，分别表示输入数据的真假和故障诊断结果。