基于少样本场景下跨设备的轴承故障诊断方法

摘要: 本发明涉及轴承故障诊断,尤其涉及一种基于少样本场景下跨设备的轴承故障诊断方法。背景技术:1、在滚动轴承故障诊断技术领域,基于深度学习的智能诊断方法已得到广泛研究...
基于少样本场景下跨设备的轴承故障诊断方法

本发明涉及轴承故障诊断,尤其涉及一种基于少样本场景下跨设备的轴承故障诊断方法。

背景技术:

1、在滚动轴承故障诊断技术领域,基于深度学习的智能诊断方法已得到广泛研究与应用,但此类方法通常需要依托充足的标注样本完成模型训练,且要求训练数据与应用场景数据具备一致的特征空间与数据分布,方可达到理想的诊断效果。

2、在实际工业生产环境中,滚动轴承多处于长期健康运行状态,故障工况下的有效样本十分稀缺;同时现场采集的振动数据普遍缺乏对应标签,人工标注需耗费大量时间与人力成本,直接导致深度诊断模型难以基于真实场景数据完成充分训练,故障识别精度难以满足工程实际需求。

3、为解决故障标注样本不足的问题,迁移学习被引入轴承故障诊断领域。迁移学习通过将源域数据集训练得到的特征知识迁移至目标域,能够有效降低目标域对大规模标注数据的依赖,提升模型在数据稀缺场景下的学习效果。但目前的迁移诊断方法大多针对同一设备的不同工况场景开展研究,针对跨设备场景的少样本诊断技术仍存在明显局限。同时,现有迁移学习方法普遍采用分布对齐类策略缓解域间分布偏移,普遍忽略了对模型参数效率的优化,存在参数量大、训练周期长、微调效率低等缺陷,难以适配工业现场的轻量化部署需求。在少样本、跨设备的复杂工况下,异构数据带来的显著领域偏移问题仍未得到有效解决,现有诊断方法难以同时兼顾诊断精度、泛化能力与计算效率,无法充分满足实际工业场景的应用需求。

技术实现思路

1、本发明的目的是针对滚动轴承在实际工业场景中存在的故障标注样本稀缺、不同设备数据分布差异大、传统迁移学习方法参数量大、微调效率低等问题,提出一种基于少样本场景下跨设备的轴承故障诊断方法。

2、为实现以上目的,本发明提供了一种基于少样本场景下跨设备的轴承故障诊断方法,包括以下步骤:

3、s1、构建双通道融合的故障诊断模型:故障诊断模型包括依次连接的信号预处理模块、双通道特征提取模块、融合分类模块;所述信号预处理模块设置有希尔伯特变换单元与格拉姆角差场gadf转换单元;所述双通道特征提取模块包括并行设置的空间特征提取分支与时序特征提取分支,所述空间特征提取分支采用嵌入cbam注意力机制的swintransformer网络,所述时序特征提取分支采用gru门控循环单元网络;所述融合分类模块嵌入有lora低秩适应微调单元;

4、s2、模型跨域迁移训练:选取标注样本充足的轴承振动数据集作为源域,对故障诊断模型的双通道特征提取模块进行预训练,得到预训练模型;冻结所述预训练模型的全部主干网络参数,仅保留lora低秩适应微调单元的参数为可训练状态,采用目标域的少量标注轴承振动样本对lora低秩适应微调单元进行微调训练,得到适配目标设备的故障诊断模型;

5、s3、待诊断振动信号预处理:获取目标设备待诊断的原始振动信号,将原始振动信号输入所述信号预处理模块进行处理;原始振动信号分别通过希尔伯特变换单元与格拉姆角差场gadf转换单元处理得到解析时序信号与二维特征图像;

6、s4、双通道特征提取与融合:将所述二维特征图像输入空间特征提取分支,提取故障信号的空间特征;将所述解析时序信号输入时序特征提取分支,提取故障信号的时序特征;对所述空间特征与时序特征进行多模态特征融合,得到时空融合特征;

7、s5、故障分类诊断输出:将所述时空融合特征输入融合分类模块,经lora低秩适应微调单元适配的分类层计算处理后,输出对应轴承的故障类型诊断结果。

8、进一步的,步骤s1中,所述嵌入cbam注意力机制的swin transformer网络依次通过窗口多头自注意力w-msa、滑动窗口多头自注意力sw-msa进行层级特征提取,并在特征提取流程中依次接入通道注意力模块与空间注意力模块,自适应调整故障特征的通道权重与空间权重。

9、进一步的,步骤s1中,所述gru门控循环单元网络采用两层堆叠的门控循环单元结构,提取故障振动信号的时序特征。

10、进一步的,步骤s2中,所述lora低秩适应微调单元的权重更新方式为:

11、将预训练模型的权重记为,引入低秩矩阵a与b,其中矩阵a采用零均值高斯分布初始化,矩阵b采用全零矩阵初始化;

12、微调训练过程中冻结原始权重,为输入的维度,为输出的维度,仅更新矩阵a与矩阵b,训练完成的更新权重为:

13、。

14、进一步的,矩阵b和矩阵a的维度分别为和,为超参数秩,且远小于与。

15、进一步的,步骤s3中,格拉姆角差场gadf转换单元的处理过程具体为:将原始振动信号的时间序列数据缩放到[-1,1]或[0,1]区间,将缩放后的数值转换为角余弦值,将时间节点转换为极坐标半径,完成时间序列到极坐标形式的映射;基于极坐标下的角度差值进行正弦函数编码,生成二维特征图像。

16、进一步的,步骤s3中,所述希尔伯特变换单元的处理过程具体为:对原始振动信号时间序列进行卷积运算得到希尔伯特变换结果,提取瞬时幅值、瞬时相位与瞬时频率三类动态特征,构建解析信号。

17、进一步的,步骤s3中,原始振动信号采用重叠采样方式进行数据扩充,每个样本的信号长度为1024,重叠率为0.8。

18、进一步的,步骤s5中,时空融合特征先经全连接分类器拼接得到拼接后的特征,再经softmax函数的归一化和概率预测输出各类故障的概率分布,得到故障诊断结果。

19、本发明采用上述一种基于少样本场景下跨设备的轴承故障诊断方法,有益效果如下:

20、(1)本发明构建结合多域特征融合与lora微调策略的跨机器轴承故障诊断框架,有效地缓解了样本不足的问题,显著地提升模型在不同设备上的适应能力;

21、(2)本发明构建空间与时序双分支网络架构,分别从图像维度与时序维度同步挖掘轴承故障特征,通过多域特征融合策略强化故障信息表征,有效提升模型在复杂工况下的特征表达能力与抗干扰鲁棒性;

22、(3)本发明引入低秩自适应微调策略,对跨域特征迁移过程进行轻量化调控,只需更新少量可训练参数便可实现不同设备间的特征分布对齐,既能大幅降低训练计算成本,又可有效抑制小样本场景下的过拟合问题。

1.基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s1中,所述嵌入cbam注意力机制的swin transformer网络依次通过窗口多头自注意力w-msa、滑动窗口多头自注意力sw-msa进行层级特征提取,并在特征提取流程中依次接入通道注意力模块与空间注意力模块,自适应调整故障特征的通道权重与空间权重。

3.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s1中,所述gru门控循环单元网络采用两层堆叠的门控循环单元结构,提取故障振动信号的时序特征。

4.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s2中,所述lora低秩适应微调单元的权重更新方式为:

5.根据权利要求4所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,矩阵b和矩阵a的维度分别为和,为超参数秩,且远小于与。

6.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s3中,格拉姆角差场gadf转换单元的处理过程具体为:将原始振动信号的时间序列数据缩放到[-1,1]或[0,1]区间,将缩放后的数值转换为角余弦值,将时间节点转换为极坐标半径,完成时间序列到极坐标形式的映射;基于极坐标下的角度差值进行正弦函数编码,生成二维特征图像。

7.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s3中,所述希尔伯特变换单元的处理过程具体为:对原始振动信号时间序列进行卷积运算得到希尔伯特变换结果,提取瞬时幅值、瞬时相位与瞬时频率三类动态特征,构建解析信号。

8.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s3中,原始振动信号采用重叠采样方式进行数据扩充,每个样本的信号长度为1024,重叠率为0.8。

9.根据权利要求1所述的基于少样本场景下跨设备的轴承故障诊断方法,其特征在于,步骤s5中,时空融合特征先经全连接分类器拼接得到拼接后的特征,再经softmax函数的归一化和概率预测输出各类故障的概率分布,得到故障诊断结果。