1.一种故障轴承中故障类型监测方法,其特征在于,包括:
S1:采集各种故障类型的轴承振动信号,并构建故障诊断数据集,将不同阶段的故障任务划分初始任务和增量任务,并确定初始任务和增量任务的故障类别数,其中初始任务是指在故障诊断模型训练的初期阶段,使用预先收集的故障轴承振动信号数据集进行的训练任务,增量任务是指在故障诊断的过程中,当新的故障类型或新的故障样本出现时,需要故障诊断模型进行学习和适应的任务,增量任务由若干增量阶段组成,在每个增量阶段的训练过程中,均分为模型自适应阶段和模型融合阶段;
S2:根据初始任务的故障样本和对应的故障类别进行初始任务的训练并提取故障特征,构建初始故障诊断模型;
S3:基于初始故障诊断模型,对增量任务进行训练,包括模型自适应阶段训练和模型融合阶段训练,通过蒸馏损失将新模型和旧模型进行整合,得到整合后的故障诊断模型,其中新模型和旧模型是指在故障诊断模型训练过程中的不同阶段所对应的模型版本,具体包括:S31:在增量任务中,根据增量任务的故障样本与对应的故障类别,分别为每个旧任务构建分支层,以便在新任务到来时存储旧知识,然后将分支层合并以解决模型增长问题,其中旧任务是指相对于当前正在处理的增量任务而言,之前已经学习并处理过的任务,新任务是指模型需要识别新的故障类型或处理新的故障样本;
在对增量任务进行训练过程中,故障诊断模型包括三部分:特征提取器Fn,分支层B1,...,Bn,以及分类器集合Cn;
其中所述特征提取器Fn用于提取故障特征f,表示为:f=Fn(xi),xi为训练数据;
所述分支层针对增量任务而设置,所有分支层均是由没有偏置的轻量级的1×1的卷积层组成,分支层输出为:是分支层Bm的权重,为使得模型更容易地对旧知识进行解码,对分支层B1,...,Bn-1的输出进行平均化处理:b1第1个分支层输出,bn-1为第n-1个分支层输出,为平均化处理后的第n-1个分支层输出;
所述分类器集合Cn={h1,...,hn}由每个任务的特定分类器h1,...,hn组成,其中hm是任务Tm的分类器,m=1,...,n,并且hm是一个输出维度为|Jm|的全连接层,分类器通过如下公式计算:式中,l′n表示所有旧分支层输出的Logits,ln表示新分支层输出的Logits;
在增量任务从Tn-1到Tn的时候,分支层B′n-2和Bn-1从Tn-1得到,用权重矩阵和对其进行参数化,分支层融合的过程表示为:式中,为n-1阶段所有之前旧任务融合以后得到的分支层的权重矩阵,为n阶段所有之前旧任务融合以后得到的分支层的权重矩阵,为n-1阶段得到的分支层的权重矩阵;
S32:每个增量阶段包括模型自适应阶段和模型融合阶段,其中模型自适应阶段在增加的新故障样本上训练,模型融合阶段在新故障样本以及之前所有故障任务中选取的部分旧故障样本上进行训练;
S33:利用融合损失优化模型对各类故障类型的学习,并通过蒸馏损失将新模型和旧模型进行整合,得到整合后的故障诊断模型;
S4:利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断,得到待检测的故障轴承振动信号的故障类型。
2.根据权利要求1所述的故障轴承中故障类型监测方法,其特征在于,所述根据初始任务的故障样本和对应的故障类别进行初始任务的训练并提取故障特征,构建初始故障诊断模型的方法为:利用快速傅里叶变换对采集得到的轴承振动信号进行预处理,并使用ResNet-32作为骨干网络,根据初始任务的故障样本和对应的故障类别进行初始任务的训练并提取故障特征,获得初始故障诊断模型。
3.根据权利要求1所述的故障轴承中故障类型监测方法,其特征在于,所述每个增量阶段包括模型自适应阶段和模型融合阶段,其中模型自适应阶段在增加的新故障样本上训练,模型融合阶段在新故障样本以及之前所有故障任务中选取的部分旧故障样本上进行训练,具体包括:在模型自适应阶段,一个有着分支层融合结构的可训练模型在只有新故障样本的数据集Kn上进行训练,模型自适应阶段包含一个保存旧知识的分支层以及学习新知识的分支层,两个分支层的输出为在模型自适应阶段,将交叉熵损失作为学习的对象:式中,为交叉熵损失,xi为训练数据,yi为训练数据对应的标签,CE表示交叉熵函数;
在模型融合阶段,需要将旧模型φn-1和模型自适应阶段得到的模型集成为单一模型φn,B′n-1通过旧任务的分支层融合得到,Bn在模型自适应阶段得到,其中,分支层的分类损失为:式中,为分支层的分类损失,xi为训练数据,yi为训练数据对应的标签,B′n-1为n阶段所有之前旧任务的分支层融合以后得到的分支层,Bn为n阶段得到的分支层,CE表示交叉熵函数,Dn为包含旧类和新类的总的数据集,Mn为包含旧类的数据集,ln为新分支层输出的Logits,为n阶段融合得到的旧分支层经过旧分类器集合得到的输出。
4.根据权利要求1所述的故障轴承中故障类型监测方法,其特征在于,所述融合损失表示为:
式中,为融合损失,xi为训练数据,yi为训练数据对应的标签,CE表示交叉熵函数,Dn为包含旧类和新类的总的数据集,CE表示交叉熵函数,Dn为包含旧类和新类的总的数据集,为分支层总的输出。
5.根据权利要求1所述的故障轴承中故障类型监测方法,其特征在于,所述蒸馏损失表示为:
式中,为蒸馏损失,xi为训练数据,yi为训练数据对应的标签,Dn为包含旧类和新类的总的数据集,KL表示散度,一种数学操作,pn-1为经过Softmax操作得到的n-1阶段的输出概率,为经过Softmax操作得到的n-1阶段的旧类的输出概率,为经过Softmax操作得到的n阶段的模型适应阶段得到的输出概率,为经过Softmax操作得到的n阶段的新类的输出概率。
6.根据权利要求1所述的故障轴承中故障类型监测方法,其特征在于,所述模型融合阶段的损失表示为:式中,为模型融合阶段的损失,为融合损失,为分支层的分类损失,为蒸馏损失,δ和λ是介于0到1之间的超参数。
7.一种故障轴承中故障类型监测系统,其特征在于,所述系统用于实现权利要求1至6任意一项所述的故障轴承中故障类型监测方法,具体包括:数据采集模块,用于采集各种故障类型的轴承振动信号,并构建故障诊断数据集,将不同阶段的故障任务划分初始任务和增量任务,并确定初始任务和增量任务的故障类别数,其中初始任务是指在故障诊断模型训练的初期阶段,使用预先收集的故障轴承振动信号数据集进行的训练任务,增量任务是指在故障诊断的过程中,当新的故障类型或新的故障样本出现时,需要故障诊断模型进行学习和适应的任务,增量任务由若干增量阶段组成,在每个增量阶段的训练过程中,均分为模型自适应阶段和模型融合阶段;
初始任务训练模块,用于根据初始任务的故障样本和对应的故障类别进行初始任务的训练并提取故障特征,构建初始故障诊断模型;
增量任务训练模块,用于基于初始故障诊断模型,对增量任务进行训练,包括模型自适应阶段训练和模型融合阶段训练,通过蒸馏损失将新模型和旧模型进行整合,得到整合后的故障诊断模型,其中新模型和旧模型是指在故障诊断模型训练过程中的不同阶段所对应的模型版本,具体包括:在增量任务中,根据增量任务的故障样本与对应的故障类别,分别为每个旧任务构建分支层,以便在新任务到来时存储旧知识,然后将分支层合并以解决模型增长问题,其中旧任务是指相对于当前正在处理的增量任务而言,之前已经学习并处理过的任务,新任务是指模型需要识别新的故障类型或处理新的故障样本;
每个增量阶段包括模型自适应阶段和模型融合阶段,其中模型自适应阶段在增加的新故障样本上训练,模型融合阶段在新故障样本以及之前所有故障任务中选取的部分旧故障样本上进行训练;
利用融合损失优化模型对各类故障类型的学习,并通过蒸馏损失将新模型和旧模型进行整合,得到整合后的故障诊断模型;
诊断模块,用于利用整合后的故障诊断模型对待检测的故障轴承振动信号进行故障诊断,得到待检测的故障轴承振动信号的故障类型。
8.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机软件产品,所述计算机软件产品包括的若干指令,用以使得一台计算机设备执行权利要求1至6任意一项所述的故障轴承中故障类型监测方法。