一种基于改进CycleGAN的轴承跨域零样本故障诊断方法
本发明属于轴承故障诊断,尤其涉及一种基于改进cyclegan的轴承跨域零样本故障诊断方法。
背景技术:
1、轴承和转子等旋转机械零部件故障具有高度危害,具有诊断必要性。而滚动轴承作为旋转机械中最广泛使用且最易发生故障的关键部件之一,其运行状态直接关系到整个装备系统的安全性和稳定性。因此,发展高精度、高鲁棒性的轴承故障智能诊断技术,已成为保障现代工业系统可靠运行的迫切需求。
2、传统的轴承故障诊断方法主要依赖于信号处理技术,近年来,随着深度学习技术的迅猛发展,基于卷积神经网络(cnn)、循环神经网络(rnn)、图神经网络(gnn)等模型的有监督端到端智能诊断方法展现出强大特征提取与分类能力,在大量标注数据支持下取得了显著优于传统方法的诊断精度。
3、然而,实际工业场景中,高质量故障数据的获取面临严峻挑战:一方面,出于安全与经济考虑,企业极少主动制造故障样本;另一方面,故障数据采集需在特定负载、转速及工况下进行,不同设备、不同批次甚至不同传感器位置的数据分布差异显著。这导致现实中普遍存在“小样本”(few-shot)甚至“零样本”(zero-shot)问题,即训练数据中某些故障类别样本极度稀缺或完全缺失。在此情况下,传统深度学习模型极易出现过拟合、泛化性能差等问题,难以在真实工业环境中部署应用。特别是在处理复合故障和跨工况时诊断的难度和复杂性显著增加。
4、在这一背景下,研究人员开始探索新的方法以应对复合故障样本稀缺的问题。由于复合故障样本具有多样性高、获取难度大的特点,传统的研究多集中于单一故障的处理,难以直接应用于复杂场景。为此,研究者提出了一种基于现有单一故障数据的方法:通过提取关键故障特征,进而推断和识别复合故障样本,为解决复合故障样本不足问题提供了一种有效途径。
5、为进一步提升故障诊断的准确性和效率,研究逐渐转向迁移学习与零样本学习等先进方法。迁移学习在训练数据与测试数据分布存在细微差异但标签空间相同的情况下表现出显著优势。例如,通过学习领域不变特征,成功缓解了数据分布差异带来的影响,从而提高了故障诊断的可靠性。
6、另一方面,零样本学习在标签空间完全不同的情形下展现出强大的适应能力。有研究提出了一种基于振动幅值和故障特征频率的故障语义编码方法,在标签空间完全不同的条件下实现了有效的故障诊断,充分体现了该方法在跨域场景下的潜力与价值。
7、零样本学习模型主要分为两类:生成式模型和嵌入式模型。其基本思想是利用已知类别的数据,并结合多种形式的领域知识作为属性标注,从而训练出一种能够识别未知类别的学习模型。基于生成式模型的核心思想是利用生成模型生成未知类别的样本,进而将零样本问题转化为监督学习任务进行训练分类器。lü等提出了一种在混合条件下的对抗自编码器方法,实现了对未知轴承状态的故障诊断。而嵌入式模型则致力于在已知类别与属性之间建立映射关系,通过度量嵌入空间中的相似性完成分类,可进一步细分为基于语义空间、视觉空间和公共空间的方法。然而,上述生成式零样本诊断方法在信号预处理和生成器损失函数设计上仍存在不足,导致跨工况故障诊断精度不足,难以满足工业零样本诊断需求。
技术实现思路
1、为解决上述技术问题,本发明提出了一种基于改进cyclegan的轴承跨域零样本故障诊断方法,以解决上述现有技术存在的问题。
2、为实现上述目的,本发明提供了一种基于改进cyclegan的轴承跨域零样本故障诊断方法,包括:
3、获取源工况下的轴承振动信号和目标工况下的轴承振动信号并分别执行标准化预处理,得到源正常时频图、源故障时频图和目标正常时频图;
4、以所述源正常时频图和所述源故障时频图作为两个域训练改进cyclegan,改进cyclegan的生成器损失函数包括对抗损失、循环一致性损失和psnr像素保真损失;
5、将所述目标正常时频图输入训练后的改进cyclegan的生成器,得到所述目标工况下的合成故障时频图;
6、利用所述目标正常时频图和所述合成故障时频图训练分类器,将所述目标工况下的实时振动信号经所述标准化预处理后输入所述分类器,得到故障诊断结果。
7、可选的,标准化预处理依次包括:
8、采用固定1024点无重叠滑动窗口对一维振动信号进行分割;对分割后的每个窗口信号进行逐样本最值归一化;对归一化后的窗口信号进行连续小波变换;将连续小波变换结果统一缩放为128×128像素的单通道灰度时频图。
9、可选的,所述连续小波变换以小波母函数对输入的一维振动信号进行尺度伸缩和时间平移,计算所述一维振动信号在各尺度参数和平移参数下与所述小波母函数的复数共轭的内积,得到二维时频系数矩阵。
10、可选的,所述psnr像素保真损失如下:
11、
12、其中,mse为所述合成故障时频图与所述目标正常时频图之间的均方误差。
13、可选的,改进cyclegan的生成器总损失函数为所述对抗损失、所述循环一致性损失和所述psnr像素保真损失的加权和,所述对抗损失、所述循环一致性损失和所述psnr像素保真损失分别乘以各自对应的权重系数后相加,得到所述生成器总损失函数。
14、可选的,所述改进cyclegan保留原生cyclegan的双生成器和双判别器的双向图像翻译网络骨架;所述判别器用于判断输入图像是否属于目标域;所述对抗损失采用最小二乘损失;所述循环一致性损失采用l1范数。
15、可选的,所述源工况下的轴承振动信号包含正常状态和至少一种故障状态;所述目标工况下的轴承振动信号仅包含正常状态且无任何故障类型的标注样本;所述源工况和所述目标工况为不同转速或不同负载的运行工况。
16、可选的,所述分类器为resnet18网络,所述resnet18网络从零开始训练;经所述连续小波变换得到的时频灰度图像作为所述改进cyclegan的生成对象和翻译对象。
17、本发明提供了一种计算机装置,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述方法的步骤。
18、本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现权利要求1-8中任一项所述方法的步骤。
19、与现有技术相比,本发明具有如下优点和技术效果:
20、本发明通过设计成套标准化预处理流程,建立了统一像素计量基准,克服了现有预处理操作零散导致图像幅值和分辨率不一致的问题;在原生cyclegan的对抗损失和循环一致性损失基础上新增psnr像素保真损失,有效约束了轴承周期性冲击纹理的保真度,避免了纹理丢失和漏判误判;以完整cwt时频图为生成载体,同步保留时域与频域联合信息,增强了跨工况故障类别的边界区分能力;实现了多小工况之间的跨域故障样本生成,可直接适配工业场景中目标工况仅有正常数据、无故障标注的零样本诊断需求。实验结果表明,本方法在跨工况零样本故障诊断任务中取得了较高的识别精度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com