[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

说明书

本发明公开了一种基于隐式数据增强的小样本机械故障诊断方法及装置，包括：采集原始振动信号并进行数据预处理，搭建智能故障诊断模型，其包括基于残差模块的主干诊断网络，在此基础上引入生成对抗网络的思想，设计隐式增强网络，通过对抗训练，隐式增强网络生成的假数据不断输入到主干诊断网络，起到数据增强的作用，使得主干诊断网络在小样本条件下避免陷入过拟合，进而提高主干网络的故障诊断能力，达到高精度故障诊断效果，且具有较好的鲁棒性与实用性。

技术领域

本发明涉及机械故障诊断技术领域，尤其涉及一种基于隐式数据增强的小样本机械故障诊断方法及装置。

背景技术

随着现代工业社会的不断发展，工业规模越来越大，自动化程度不断提高。机械关键部件出现故障会产生严重的危害，更可能导致人员伤亡。机械老化不可避免，对机械关键设备进行故障诊断是避免机械故障造成严重后果的有效方法，准确、及时的故障诊断可以最大程度的避免灾难性后果的发生。

传统的故障诊断依赖于工程师丰富的经验和专业知识。有经验的工程师能够根据异常声音诊断发动机的故障，或利用先进的信号处理方法分析振动信号，判断轴承是否出现故障。但是这种方法及其依赖于专家知识，可靠性和效率低下。在工程场景中，需要对高效且准确率高的智能故障诊断方法展开研究。

传统机器学习方法近10年来在故障诊断领域得到了广泛应用，包括k-近邻(k-NN)算法、贝叶斯分类器、支持向量机(SVM)和人工神经网络(ANN)等。随着Alex等人提出的AlexNet在2012年的ImageNet大赛上以远超第二名的成绩夺冠，深度学习在此后10年迅速发展，在图像处理、语音识别、自然语言处理等诸多领域表现出优异的性能。研究者们也将深度学习方法用于故障诊断领域，主要有基于卷积神经网络(CNN)、基于自动编码器(Auto-Encoder)、基于深度信念网络(DBN)、以及基于循环神经网络(RNN)四类。

上述方法的成功应用显示了深度学习在机械故障诊断领域的巨大应用潜力。然而，大多数基于数据驱动的智能故障诊断方法都高度依赖于丰富的故障数据。但在实际工业生产中，绝大部分时间里，机械处于正常工作状态，故障数据难以采集，从而导致故障数据少。在故障数据不足的情况下进行模型训练，不可避免地会导致过拟合效果，导致故障诊断精度低，泛化能力差，进而导致基于深度学习的故障诊断方法在实际中难以得到应用。

因此，在故障数据不足的情况下，提高故障诊断的精度是亟待解决的技术问题。

发明内容

为了解决上述技术问题，本发明提供了一种基于隐式数据增强的机械故障诊断方法及装置，可以在小样本条件下实现高精度故障诊断，进而推动深度学习方法在故障诊断领域的实际应用。

根据本发明的第一方面，一种基于隐式数据增强的机械故障诊断方法，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块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。

优选的，通过加速度传感器采集不同故障类型的原始振动信号。

优选的，所述对原始振动信号进行预处理，包括：