滚动轴承故障诊断方法、设备及存储介质与流程

本发明涉及智能故障诊断，尤其涉及一种滚动轴承故障诊断方法、设备及存储介质。

背景技术：

1、滚动轴承是旋转机械的核心支撑部件，其运行状态直接影响港口机械、工业传动设备和各类旋转机械系统的可靠性与安全性。在实际工业场景中，滚动轴承常处于高速、高温、重载或变载等复杂工况下运行，一旦发生故障，可能会造成设备停机，不仅会增加维护成本，甚至还会引发安全事故。

2、随着深度学习技术的发展，很多种类的深度模型已被广泛用于滚动轴承故障诊断中。然而，深度模型通常需要较多带标签的故障样本才能稳定训练。在真实工业现场中，一方面由于设备不能人为长期运行至故障状态，另一方面由于不同故障类型、不同损伤程度和不同工况下的数据分布差异明显，导致故障样本难以大量采集。

3、目前，随着生成对抗网络及其变体为小样本故障诊断得到不断发展，虽然可以仅使用少量故障标注样本。但是，发明人发现，由于生成的样本质量参差不齐，仍然无法保证训练得到的故障诊断模型的诊断准确度

技术实现思路

1、本发明实施例提供了一种滚动轴承故障诊断方法、设备及存储介质，以解决目前的故障诊断模型无法准确地对滚动轴承的故障进行诊断的问题。

2、第一方面，本发明实施例提供了一种滚动轴承故障诊断方法，包括：

3、构建待诊断滚动轴承的小样本训练集和验证集；所述小样本训练集和所述验证集中均包括多种故障类别的真实样本；

4、基于所述小样本训练集对预先构建的分类生成对抗网络和预先构建的故障诊断模型进行训练，得到训练好的分类生成对抗网络和初始故障诊断模型；

5、在目标轮迭代中，基于目标故障类别在所述目标轮迭代中对应的生成配额和所述训练好的分类生成对抗网络，生成所述目标故障类别对应的候选样本集；根据预设筛选规则，对所述候选样本集中各候选目标故障类别样本进行筛选，并将筛选后得到的合格样本并入到所述小样本训练集中形成扩充训练集；基于所述扩充训练集对所述初始故障诊断模型进行训练，得到训练故障诊断模型；基于所述验证集对所述训练故障诊断模型进行评估，根据评估结果更新所述目标故障类别在下一轮迭代中的生成配额，以及确定是否进行下一轮迭代以生成样本；

6、若停止下一轮迭代，则基于上一轮训练得到的训练故障诊断模型，对滚动轴承进行故障诊断。

7、在一种可能的实现方式中，所述分类生成对抗网络包括生成器、判别器和独立分类器，所述生成器用于生成候选故障样本，所述判别器用于输出真实性评分，所述独立分类器用于输出类别置信度评分和中间层特征向量；

8、所述在目标轮迭代中，基于目标故障类别在所述目标轮迭代中对应的生成配额和所述训练好的分类生成对抗网络，生成所述目标故障类别对应的候选样本集，还包括：

9、在目标轮迭代中，基于目标故障类别在所述目标轮迭代中对应的生成配额和所述训练好的分类生成对抗网络，生成各候选目标故障类别样本的真实性评分、各候选目标故障类别样本的类别置信度评分和所述各候选目标故障类别样本的中间层特征向量。

10、在一种可能的实现方式中，所述根据预设筛选规则，对所述候选样本集中各候选目标故障类别样本进行筛选，并将筛选后得到的合格样本并入到所述小样本训练集中形成扩充训练集，包括：

11、基于候选目标故障类别样本的真实性评分、类别置信度评分、类内特征距离、类间边界距离、频域一致性评分和最大相似度，确定候选目标故障类别样本的综合可信评分；

12、若所述候选目标故障类别样本的综合可信评分、真实性评分、类别置信度评分、类内特征距离、类间边界距离、频域一致性评分和最大相似度，均满足预设筛选规则，则确定所述候选目标故障类别样本为合格样本，并将该合格样本并入到所述小样本训练集中形成扩充训练集；否则，剔除所述候选目标故障类别样本。

13、在一种可能的实现方式中，基于候选目标故障类别样本的真实性评分、类别置信度评分、类内特征距离、类间边界距离、频域一致性评分和最大相似度，确定候选目标故障类别样本的综合可信评分，包括：

14、基于所述候选目标故障类别样本的中间层特征向量和所述目标故障类别的真实样本特征中心，确定类内特征距离；

15、基于所述候选目标故障类别样本的中间层特征向量，以及对应的易混淆目标故障类别特征中心，确定类间边界距离；其中，所述易混淆目标故障类别是基于所述验证集对所述目标轮迭代的上一轮中的训练故障诊断模型进行测试得到的混淆矩阵中确定的；

16、对所述候选目标故障类别样本和所述目标故障类别的真实样本进行频谱或包络谱分析，得到频域一致性评分；

17、基于所述候选目标故障类别样本和筛选后得到的所述目标故障类别的合格样本，确定最大相似度；

18、基于候选目标故障类别样本的真实性评分、类别置信度评分、类内特征距离、类间边界距离、频域一致性评分和最大相似度的加权求和，确定所述候选目标故障类别样本的综合可信评分。

19、在一种可能的实现方式中，所述基于所述验证集对所述训练故障诊断模型进行评估，根据评估结果更新所述目标故障类别在下一轮迭代中的生成配额，以及确定是否进行下一轮迭代以生成样本，包括：

20、基于所述验证集对所述训练故障诊断模型进行评估，得到目标故障类别的召回率、混淆矩阵和所述训练故障诊断模型的综合性能指标；

21、基于所述目标故障类别的召回率、混淆矩阵和所述目标故障类别在本轮迭代中的生成配额，以及目标故障类别的预设最小生成数量和预设最大生成数量，确定所述目标故障类别在下一轮迭代中的生成配额；

22、基于所述训练故障诊断模型的综合性能指标，和所述训练故障诊断模型在上一轮中的综合性能指标的差值，确定性能边际收益；

23、基于所述性能边际收益、所述目标故障类别的合格样本的数量、所述候选样本集的筛选合格率或所述目标故障类别的召回率，确定是否进行下一轮迭代以生成样本。

24、在一种可能的实现方式中，所述基于所述目标故障类别的召回率、混淆矩阵和所述目标故障类别在本轮迭代中的生成配额，以及目标故障类别的预设最小生成数量和预设最大生成数量，确定所述目标故障类别在下一轮迭代中的生成配额，包括：

25、基于所述混淆矩阵，确定所述目标故障类别的混淆强度；

26、基于所述目标故障类别的混淆强度、所述目标故障类别的召回率、和所述目标故障类别在本轮迭代中的生成配额，得到所述目标故障类别在下一轮迭代中的初始生成配额；

27、基于所述目标故障类别的预设最小生成数量和预设最大生成数量，对所述目标故障类别在下一轮迭代中的初始生成配额进行调整，得到所述目标故障类别在下一轮迭代中的生成配额；

28、若所述目标故障类别的召回率小于预设召回率阈值且所述目标故障类别的混淆强度大于预设强度阈值时，更新所述预设筛选规则中的筛选阈值。

29、在一种可能的实现方式中，所述基于所述性能边际收益、所述目标故障类别的合格样本的数量、所述候选样本集的筛选合格率或所述目标故障类别的召回率，确定是否进行下一轮迭代以生成样本，包括：

30、若所述性能边际收益小于预设收益阈值、或连续多轮的性能边际收益均为负数、或所述目标故障类别的合格样本的数量大于或等于预设数量阈值、或所述候选样本集的筛选合格率小于通过阈值、或所述目标故障类别的召回率等于或大于召回阈值，则停止下一轮迭代，否则，继续进行下一轮迭代。

31、在一种可能的实现方式中，所述综合性能指标为预测准确率、f1分数或宏平均召回率中的一种或多种组合。

32、第二方面，本发明实施例提供了一种滚动轴承故障诊断装置，包括：

33、构建模块，用于构建待诊断滚动轴承的小样本训练集和验证集；所述小样本训练集和所述验证集中均包括多种故障类别的真实样本；

34、训练模块，用于基于所述小样本训练集对预先构建的分类生成对抗网络和预先构建的故障诊断模型进行训练，得到训练好的分类生成对抗网络和初始故障诊断模型；

35、迭代模块，用于在目标轮迭代中，基于目标故障类别在所述目标轮迭代中对应的生成配额和所述训练好的分类生成对抗网络，生成所述目标故障类别对应的候选样本集；根据预设筛选规则，对所述候选样本集中各候选目标故障类别样本进行筛选，并将筛选后得到的合格样本并入到所述小样本训练集中形成扩充训练集；基于扩充训练集对所述初始故障诊断模型进行训练，得到训练故障诊断模型；基于所述验证集对所述训练故障诊断模型进行评估，根据评估结果更新所述目标故障类别在下一轮迭代中的生成配额和预设筛选规则，以及确定是否进行下一轮迭代以生成样本；

36、诊断模块，用于若停止下一轮迭代，则基于上一轮训练得到的训练故障诊断模型，对滚动轴承进行故障诊断。

37、第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行该计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

38、第四方面，本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

39、第五方面，本发明实施例提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式中的方法。

40、为减少低质量、类别混淆或冗余生成样本对故障诊断模型的影响，本发明实施例中，通过基于预设筛选规则，对候选样本集中各候选目标故障类别样本进行筛选，从而将不符合预设筛选规则的各候选目标故障类别样本剔除，仅将筛选后得到的合格样本并入到小样本训练集中形成扩充训练集，从而可以减少低质量、类别混淆或冗余生成样本，提高最终得到的扩充训练集的质量。此外，通过基于验证集对训练故障诊断模型进行评估，还可以根据评估结果更新目标故障类别在下一轮迭代中的生成配额和预设筛选规则，以及确定是否进行下一轮迭代以生成样本，从而样本生成不再是一次性、固定数量的扩充，而是形成一个完整的闭环控制流程，进而可以确保得到的训练故障诊断模型的诊断准确度。