多通道跨域少样本的冲压生产线轴承故障诊断方法

本发明涉及故障诊断，尤其涉及一种多通道跨域少样本的冲压生产线轴承故障诊断方法。

背景技术：

1、在处理滚动轴承的故障分类及模式识别问题时，目前的解决方法主要分为三类：统计学方法、传统机器学习方法以及深度学习方法。

2、中国专利“cn114861697a基于灰狼算法优化变分模态分解的轴承故障诊断方法”采用用灰狼算法优化变分模态分解,并用于分解轴承振动信号；对所得到的分量信号计算排列熵；运用灰狼算法优化最小二乘支持向量机的正则参数γ和核函数参数σ；采用得到的最优参数值设置最小二乘支持向量机模型参数,并对最小二乘支持向量机进行训练；利用训练后最小二乘支持向量机模型进行故障识别,输出诊断结果。

3、传统的故障诊断方法大多集中在浅层学习方面，通过人工提取特征、降维来进行故障诊断。对于多维复杂的故障问题处理能力不足，特征的提取与分类主要依赖人工，缺乏有效的无标签样本学习能力，诊断精度较低，且对数据处理的硬件设备要求较高，体积庞大。

4、而深度学习方法有着适应性强、准确率较高、捕获特征能力较强以及人为干预少等优点，因此越来越多的人采用深度学习方法开展研究工作。随着深度学习研究在故障诊断领域的快速发展，使得实时采集轴承状态信息成为可能，为其高精度故障诊断提供了切实可行的途径。自深度学习引入到轴承故障诊断领域以来，取得了大量的研究成果，相比浅层神经网络，深度学习有着更高的效率和准确性。

5、中国专利“cn111898686a基于门控循环单元网络的轴承故障识别方法”提供了一个基于门控循环单元网络对历史加速度传感器的时序数据进行处理,从而进行故障诊断的方法。，此专利将加速度传感器的时间序列数据划分为训练集(包含t组数据)、验证集和测试集；将训练集的数据输入门控循环单元网络中进行训练,直到网络收敛；将网络在验证集上进行参数优化；将训练好的模型用于测试集上进行模型的评价,得到高准确率效果；将模型保存应用于实际情况中。

6、中国专利“cn114861697a基于灰狼算法优化变分模态分解的轴承故障诊断方法”与中国专利“cn111898686a基于门控循环单元网络的轴承故障识别方法”虽然都取得了较好的效果，但是实际生产线会存在故障数据量少的问题，也就是训练模型用的数据量过少，会导致模型存在过拟合的情况。进而影响了故障诊断准确率，这两个专利都无法有效解决这一问题。

技术实现思路

1、针对现有技术的不足，本发明提供一种多通道跨域少样本的冲压生产线轴承故障诊断方法。

2、一种多通道跨域少样本的冲压生产线轴承故障诊断方法，具体包括以下步骤：

3、步骤1：基于包含轴承振动信号图片的自然图像数据集训练不同的特征提取器；

4、步骤1.1:在所选择的n个自然图像数据集上训练resnet18网络模型，训练时基于分类任务进行训练；

5、所述resnet18网络模型包括一个单层卷积的conv1层、4层卷积的conv2、conv3、conv4、conv5及全连接层；4层卷积的结构中包括两个basicblock，每个basicblock有两个卷积层，因此resnet18共有17个卷积层及1个全联接层，共18层，卷积层对输入的图片进行特征提取，全联接层对提取的特征进行分类；

6、训练时损失函数计算公式如下：

7、

8、式中，m代表训练集中每类图像的数量，c代表类别数，xi代表每次训练时所输入的单张图片，yi代表输入的图片其类别值，f()为对输入的图片进行特征提取的网络模型，t代表该数据来自于训练集；

9、步骤1.2:将去除了全连接层的经过训练的resnet18网络模型将作为特征提取器，得到n个特征提取器组成的特征提取器集合{fi(x)}in；每一个输入的轴承振动信号图片都通过特征提取器将转换成d维的特征表示；

10、步骤2：通过加速度传感器采集生产线驱动电机的测试振动信号，并将一维的测试振动信号采用多尺度形态学和信号转图片方法转换为双通道二维图片，分别为包含时-频域特征的形态学图及包含时域特征的灰度图；

11、步骤2.1：输入的电机测试振动原始信号f(n)是一维离散序列，其定义域f＝(0,1,…,n-1)，结构元素g(m)也是一维离散序列，其定义域g＝(0,1,…,m-1)，n和m满足关系n≥m，假设ε是结构元素的尺度，ε＝1,2,3,…,λ，λ为定义的尺度，则电机原始振动信号f(n)的四种多尺度基本膨胀算子、腐蚀算子、开算子和闭算子定义如下：

12、

13、

14、

15、

16、式中，符号○和●分别代表膨胀运算符、腐蚀运算符、开运算符和闭运算符；

17、凭借四种多尺度基本的形态滤波算子的滤波特点，膨胀算子和闭算子保留了信号正脉冲消除了信号的负脉冲，腐蚀算子和开算子保留了信号的负脉冲并消除了信号的正脉冲，新的增强形态梯度emgo运算，其定义如下：

18、

19、采用memgo对一维的测试振动信号进行多尺度形态学分析，随后对获得的分析结果进行多尺度fft频谱分析，最终获得频率-尺度的二维图像特征信息。

20、步骤2.2：采用信号转图片转换方法将时域原始信号转换为图像，将输入的一维振动信号转换为能够体现时域特征的二维灰度图；时域原始信号按顺序填充图像的像素；填充后采用如下公式将一维测试振动信号转换为图片中的像素值。

21、

22、c(i)代表输入的测试振动信号值，i＝1,...,m2，p(j,k)代表转换后的图片中对应位置的值，j＝1,...,m,k＝1,...,m，max()代表取最大值，min()代表取最小值，round()代表向上取整；

23、步骤3：使用特征提取器对双通道二维图片进行特征提取，使用srf算法调整特征提取器对双通道二维图片所提取的特征权重占比，将收集到的测试振动信号数据集划分为支持集与查询集其中代表支持集的原始振动信号数据，代表支持集数据的标签，代表查询集的原始振动信号数据，代表查询集数据的标签；针对不同测试振动信号数据集，使用支持集s调整特征选择的权重提取类内相似度接近和类间相似度远离的特征；

24、步骤3.1：对使用步骤2转换后的双通道二维图片，使用特征提取器集合进行特征提取，针对不同支持集s，通过调整权值针对该任务选择类内相似度接近和类间相似度远离的语义特征组合方式；定义选择操作如下，给定每个特征提取器权重数组

25、

26、其中fi()代表特征提取器集合中的特征提取器，λi代表每个特征提取器对应的权重，n代表特征提取器集合中包含的特征提取器数量，最终得到的包含来自多源域的信息，rk代表特征提取器权重数组的长度为k，rn*d代表结合多源信息后的特征数组长度为n*d；

27、步骤3.2：通过执行梯度下降方法对参数λ进行调整实现语义特征组合；对于给定的支持集s，所定义的损失函数l(λ)计算公式如下：

28、

29、

30、其中k代表类别的数量，zk代表k类的原型，d{}代表提取的特征与原型之间的距离，p(y＝k|x)分类器是一个容量有限的非参数模型，它只存储一个向量来描述一个类，exp代表指数函数、yi为对应数据的故障标签；

31、步骤3.3：使用srf算法对体现时-频域特征的形态学图和体现时域特征的灰度图进行多源域的特征选择，最终得到特征集f；

32、

33、其中fλi()代表使用源域重要性赋值后的特征提取器，表示对第一个原始振动信号进行形态学变换后得到的二维图片，表示对一个原始振动信号采用信号转图片方法变换后的二维图片，y1s代表原始信号对应的故障类型标签值，表示对支持集最后一个原始振动信号进行形态学变换后的二维图像、表示对支持集最后一个原始振动信号进行信号转图片变换后的二维图像，采用srf算法对体现不同域特征的两类图的特征进行融合，选取实现类内相似度接近和类间相似度远离的特征，其中给定每类图的权重数组r2代表每类图的权重数组长度为2；

34、

35、其中βi代表每个特征提取器对应的权重，fλβ(x)为结合多源域及双通道的特征。

36、步骤4：对提取后的特征进行域适应，使用经过域适应的特征进行少样本的轴承故障诊断，完成轴承故障诊断。

37、步骤4.1：采用一个具有可学习参数的域适应方法，在对步骤3提取的类内相似度接近和类间相似度远离的特征后加入线性变换对于不同的目标域，通过调整参数使提取的特征在目标数据集上区分度更高:

38、

39、其中为具有可学习参数的线性变换矩阵，di代表支持集中每个图片经过所提方法提取的最终特征；|s|代表支持集中原始振动信号数量、代表可学习参数的维度为2维，行、列的维度均为d。

40、步骤4.2：对于通过步骤4.1从查询集q振动信号中提取的最终特征di，采用如下公式计算特征di与每个类别原型zk之间的距离：

41、

42、最终特征di与哪一类的原型距离最短则被归入这一类。

43、采用上述技术方案所产生的有益效果在于：

44、本发明提供一种多通道跨域少样本的冲压生产线轴承故障诊断方法。本发明针对任何工作条件下的轴承均能使用少量样本完成故障诊断。引入域适应方法对不同目标数据集基于少量样本调整提取的特征，来提升框架的泛化能力。为提升该框架的特征提取能力，提出了一种特征选择方法，用于针对不同的目标数据集选择不同的多源域以及双通道特征。在实际工况中，我们可以对所有类型的轴承使用同样的源数据集，且仅需要收集少量故障样本便可以进行故障诊断，更符合实际生产中的要求。