小样本下基于特征融合的FFCNN-SVM迁移学习故障诊断方法与流程

小样本下基于特征融合的ffcnn
‑
svm迁移学习故障诊断方法
技术领域
1.本发明属于故障诊断领域，具体涉及在小样本下基于特征融合的ffcnn
‑
svm迁移学习故障诊断方法。


背景技术：

2.滚动轴承作为工业生产设备中的关键零部件，一旦发生故障，将直接影响整台机械设备的安全运行，并且导致较高的维护成本和经济损失。因此，早期准确地检测这些故障对现代制造系统的运行安全至关重要。此外，它还可以通过相应地维护，适当地维护策略等方式来保证控制系统的可靠性和安全性。由于故障类型的复杂、现场传感器的噪声信号和故障样本的缺乏，早期和准确的故障诊断仍然非常具有挑战性，是一个活跃的研究领域。
3.在过去的几年中，基于深度学习的方法在语音识别等许多研究领域都取得了显著的成功。虽然基于深度学习的方法可以实现很高的故障识别率，但他们的使用前提是需要大量的正确的带标注样本来训练网络参数。但往往在实际工况中，故障样品稀缺且难以采集。此外，即使采集到了故障样本，也需要经验丰富的专家来注释样本。深度神经网络的一些早期工作利用未标记数据以分层的方式预训练深度自编码器，然后用标记数据对其进行微调。例如，jia等人提出，深度神经网络由无监督方式的级联自动编码器组成，然后由标记数据监督的方式进行微调，使旋转机械故障具有识别特征学习和分类能力。sun等人，利用稀疏自动编码器学习特征，然后利用它们训练神经网络分类器进行运动故障诊断。然而，预训练的网络从大量未标记数据中学习的特征可能不那么容易区别，因为当故障样本如此稀缺且被正常样本淹没时，很难揭示故障样本的内在特征。


技术实现要素：

4.本发明针对现有迁移学习方法上的不足，设计一种基于特征融合的ffcnn
‑
svm(feature fusion convolutional neural network
‑
support vector machines)迁移学习故障诊断方法。本发明在利用迁移学习中模型迁移的思想，在源域目标域特征融合的基础上，提出了ffcnn
‑
svm迁移方法。本发明在相同负载下，滚动轴承的不通故障以及正常样本的故障诊断方法如说明书附图图1和图2所示。具体流程步骤为：
5.步骤(1)：利用迁移学习中，模型迁移的思想，将源域训练好的成熟模型迁移至目标域中，并且在源域模型的基础上，同比例增加卷积层与池化层，因为源域模型中的卷积层只单单提取了源域数据特征，而目标域与源域属异域迁移，只用源域所提取的卷积层是远远不够的，所以在此基础上增加卷积层与池化层用于提取目标域特征。
6.步骤(2)：在步骤(1)的基础上，冻结源域迁移过来的卷积层，利用目标域的小样本去训练步骤(1)中其余的卷积层、池化层和全连接层，这一步骤主要是为了训练其余的卷积层与池化层，用于提取目标域故障数据集特征。至此可以得到目标域的浅层模型。
7.步骤(3)：在步骤(2)的浅层模型基础上，浅层模型的cnn后添加的卷积池化层即使在小样本情况下，也能够利用源域模型得到到一个关于目标域提取特征的卷积池化层，把
数据输入到该cnn网络，将最后一层卷积池化层的输出输入至svm分类器，至此构成了所提出的ffcnn
‑
svm故障诊断方法。
8.本发明的有益效果：本发明通过轴承故障数据集，很好的验证该方法的故障诊断新能，通过实验结果表明，本发明所提出的方法与其他迁移学习方法相比具有较好的故障诊断效果。
附图说明
9.图1是本发明的源域模型训练流程图。
10.图2是本发明的目标域数据分类流程图。
11.图3是各种模型迁移方法的流程图
具体实施方式
12.为了评估所提方法的有效性，本发明在电机转子数据集与轴承数据集这两个数据集上进行实验的。
13.案例一：
14.电机转子实验中选用的设备是带有柔性转子的zhs
‑
2型多功能电机实验台。在底座垂直和水平方向一共安装8个传感器，用来采集转子的振动信号，这些振动信号由hg
‑
8902数据采集箱所传输。实验中考虑了6种故障类型：转子不平衡i(ru1)，转子不平衡iii(ru3)，转子不平衡v(ru5)，转子不平衡vii(ru7)，风机断叶(ppb)和基座松动(pl)。具体诊断时，会将正常状态(n)和这6种故障一同进行区分。前4种故障是通过转子上安装不同数量的螺钉模拟获得。例如，安装5个螺钉代表故障为转子不平衡v。风机断叶故障是通过在滚轴上安装一个含有断叶的风机实现的。
15.此外，为了说明源域目标域域的差异，将2100个样本进行二划分，其中风机断叶(ppb)，基座松动(pl)，转子不平衡i(ru1)与正常状态(n)共1200个样本构成源域原始数据集，转子不平衡iii(ru3)，转子不平衡v(ru5)，转子不平衡vii(ru7)共900个样本构成目标域原始数据集。而在目标域中，为了说明小样本状态，目标域的训练样本容量为目标域总数据集样本容量的2％，共计18个，而18个中四个故障类别各有6个，剩余的882个样本共同构成目标域测试样本集。具体如表一所示:
16.表一 案例一源/目标域数据分类示意表
[0017][0018]
案例二：
[0019]
在此案例中，使用的是西储大学(crwu)公开提供的滚子轴承故障数据集。实验台分别安装了三个不同位置的传感器来收集不同的振动信号，传感器的位置分别安装于：驱动端、风扇端和底座。在本次实验中，使用的是马力电机负荷的数据，本次实验考虑了8种故障：球缺陷ball007、球缺陷ball014、球缺陷ball021、内圈缺陷ir007、内圈缺陷ir014、内圈缺陷ir021、外圈缺陷or007、外圈缺陷or014。其中007、014以及021分别对于每个轴承引入故障的直径。电机转子的转速设置为1772r/min，采样频率为12khz，每轴承可获得约400个
信号，共收集2400个样本。
[0020]
为了说明源域目标域迁移效果，源域数据集为：球缺陷ball007、球缺陷ball014、内圈缺陷ir007和内圈缺陷ir014，目标域数据集为：球缺陷ball021、内圈缺陷ir021、外圈缺陷or007、外圈缺陷or014。具体如表二所示:
[0021]
表二 案例二源/目标域数据分类示意表
[0022][0023]
本发明通过以下的技术方案实现：基于特征融合的ffcnn
‑
svm迁移学习故障诊断方法，其核心技术方法包括四个阶段：数据预处理阶段，源域模型训练阶段，目标域模型训练阶段，仿真测试阶段。
[0024]
其中数据预处理阶段使用stft的方法，该方法具体步骤如下：
[0025]
用定长的窗口函数将时域信号进行截取，并用傅里叶变换分析截取的时域信号，得到时刻t附近非常小时间段上的局部频谱。在整个时间轴上不断平移窗函数最终得到一个局部频谱集合。数学表达式如下：
[0026][0027]
其中s
i
(a)是第i个样本的通道波信号的，g
*
(
·
)是窗函数比如说汉明窗，f
i
(m,n)是stft的最终得到的二维图像，对每个样本的不同采集通道均进行stft，最终，可以得到一个三维结构的样本。
[0028]
源域模型训练阶段：将经过数据预处理后的大量源域数据时频图用于训练cnn网络。
[0029]
目标域模型训练阶段：在源域模型的基础上，利用本发明所提出的ffcnn
‑
svm方法可以得到目标域最终模型。
[0030]
所述的仿真测试阶段：
[0031]
为了对比本发明方法和其他迁移学习的方法，分别在不同的方法中进行验证，各种方法的流程图可见例图3，采用了传统的cnn
‑
fc迁移方法，ffcnn,cnn
‑
svm方法进行训练与验证。其中cnn
‑
fc迁移方法是将源域中训练的模型的特征层全部迁移至目标域，在目标域模型中只训练其全连接层。ffcnn是在源域模型中提取源域特征，并在此基础上添加自己的特征层。而cnn
‑
svm是将源域模型的特征层全部迁移至目标域，而因为在小样本下svm具有良好的分类效果，所以将目标域的分类器从全连接
‑
softmax改为svm分类器。实验中性能指标是平均分类准确率，定义如下：
[0032][0033]
其中，c
ij
是实际属于第i类，但被模型预测为第j类的样本数量。c沿用前面定义代表需要区分的类别个数，在本实验中c＝4，表三给出了案例一使用不同的模型迁移方法的故障诊断准确率，表四给出了案例二使用不同的模型迁移方法的故障诊断准确率。
[0034]
表三 案例一不同模型测试结果
[0035]
方法无标签准确率目标域训练参数量cnn
‑
fc71.00％18595cnn
‑
svm82.70％
‑
ffcnn72.53％9827ffcnn
‑
svm95.60％
‑
[0036]
表四 案例二不同模型测试结果
[0037]
方法无标签准确率目标域训练参数量cnn
‑
fc70.57％17556cnn
‑
svm98.46％
‑
ffcnn72.19％11380ffcnn
‑
svm99.49％
‑