欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024112767446
申请人: 江苏禾微电子科技有限公司
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.设备未知工况下基于自监督单域泛化的故障诊断方法,其特征在于,包括以下步骤:第一步,获得轴承振动信号数据,对进行振动信号预处理,分割训练集和测试集;

第二步,构建数据增强库,对输入的原始振动信号进行随机增强;

第三步,通过最大化同一数据点的两个不同增强结果之间的相似性,同时最小化该数据点与其他数据点的相似性来学习表示,搭建对比学习自监督模型,方法如下:将同一批次样本经过不同的数据增强后,分别通过作为特征提取器的动量编码器进行编码,所述动量编码器由两条共享参数的网络组成;具体为:构建两条相同结构的网络,分别记为fq和fk,每条网络包括三个卷积层,每个卷积层后接最大池化层,最后连接全连接层和输出层;

将两条网络的参数分别记为θq和θk,通过以下方式更新:

θk←mθk+(1-m)θq   (8),

其中,m是动量系数,参数θq通过反向传播更新;

给定训练集中某一批次X={x1,x2,...,xn},其中n是训练过程中每个批次的大小,xi表示X中的第i个样本;

随机选取数据增强库中两种不同的数据增强方式对信号进行数据增强,得到增强后的两组信号和其中和分别为Xq和Xk中的第i个增强样本;

Xq和Xk分别经过由网络fq和fk构成的动量编码器,得到和其中是第i个增强样本经过动量编码器fq编码后的特征向量,是第i个增强样本经过动量编码器fk编码后的特征向量;

对比损失函数为:

其中,S为同一批次中的样本数,τ为温度系数,和构成正样本对,和构成负样本对,·表示内积;

通过最小化式(9)的损失函数缩小正样本之间的余弦相似度,并增大负样本之间的相似度,使网络fq区分正负样本,利用反向传播更新θq,根据θq再更新θk,重复该过程直到训练结束;

第四步,将经过第二步数据增强后的数据作为模型输入进行对比学习自监督模型的训练,使模型提取到振动信号的不变性特征,得到特征提取器;

第五步,应用训练好的模型对采样得到的设备新运行工况下的振动信号进行分类,得到其健康状态类型。

2.根据权利要求1所述的故障诊断方法,其特征在于,对原始振动信号进行重叠采样,即,使用滑动窗口法将原始振动信号分割为相同长度的数据,构建网络的训练集;按照不同工况将信号划分为不同的域,得到若干个不同域的训练集。

3.根据权利要求1所述的故障诊断方法,其特征在于,构建具有添加噪声、量化、包络谱信号增强、漂移、反转和Mixup的数据增强库,对输入的原始振动信号x(t)进行随机增强,具体包括:对振动信号添加随机噪声,公式如下:

xnoisy(t)=x(t)+∈(t)(1),

其中,xnoisy(t)是添加随机噪声后的信号,∈(t)是随机噪声信号;

对振动信号进行量化,公式如下:

其中,xquantized(t)是量化后的信号,Q是量化步长,round函数将连续信号x(t)除以量化步长Q后的结果四舍五入到最接近的整数;

使用希尔伯特变换提取振动信号的包络,实现包络谱信号增强,公式如下:其中,是振动信号的希尔伯特变换,E(t)是信号的包络,x(τ)是原始信号x(t)在时间τ处的值,t-τ表示当前时间点t与积分变量时间点τ之间的距离;

在振动信号中引入随机漂移,模拟真实环境中的变化,公式如下:xdrifted(t)=x(t)+noise(t)+drift(t)   (5),其中,xdrifted(t)是添加漂移后的信号,noise(t)是随时间变化的噪声信号,drift(t)是随时间变化的随机漂移信号;

对振动信号数据进行时间反转,公式如下:

xreversed(t)=x(T-t)   (6),

其中,xreversed(t)是时间反转后的信号,T是信号的最大时间长度;

Mixup随机选择两个原始振动信号以及其对应的故障类型标签,使用线性插值的方法生成一个新的信号和对应的故障类型标签,得到增强后的信号,公式如下:其中,是Mixup增强后的信号,是信号对应的故障类型标签,xi和xj是从输入信号中随机选择的两个原始信号,yi和yj分别是信号xi和xj对应的标签,λ是从β分布中采样得到的混合系数,λ~Beta(α,α),α是控制β分布形状的参数。

4.根据权利要求1所述的故障诊断方法,其特征在于,引入两个增强批次的可能性之间的KL散度作为不变性损失:其中,表示两个增强策略下同一数据样本的特征表示分布之间的差异,是在情况下的概率分布,是在情况下的概率分布;

通过优化以下损失来学习数据的特征表示:

其中,损失函数由两部分组成,一部分是对比损失,用来衡量同一样本在不同数据增强策略下特征表示之间的相似度;另一部分是不变性损失,用来衡量两个增强策略下特征表示分布之间的差异,β是不变性损失的权重。

5.根据权利要求1所述的故障诊断方法,其特征在于,在训练过程中,使用multicrop方法处理数据,对输入数据进行多个随机裁剪,方法如下:定义两个裁剪窗口W1和W2,窗口W1的尺寸设定为原始振动信号的70%至100%,用于捕捉全局特征;窗口W2的尺寸设定为原始振动信号的10%至30%,用于捕捉局部特征;

将两个窗口随机应用于原始振动信号,得到裁剪后不同尺寸的切片数据,并使用数据增强库中的数据增强方法对所述切片数据进行随机增强;

在训练阶段,将经过第二步数据增强和multicrop多裁剪数据增强的数据作为输入进行对比学习模型的训练,使作为特征提取器的动量编码器提取到振动信号的不变性特征。

6.根据权利要求5所述的故障诊断方法,其特征在于,模型的训练分为预训练和调整两个步骤,过程如下:在预训练阶段,使用一种工况下的无标签振动信号,使用第二步构建的数据增强库和multicrop多裁剪进行数据增强,作为对比学习自监督模型的输入,最终训练得到一个特征提取器fk,提取振动信号的本质特征;

在调整阶段,直接加载预训练阶段通过对比学习自监督模型训练得到的特征提取器fk,冻结其中的全部参数θk,并在之后添加三层全连接层和一个分类头,构建一个端到端的模型,使用与预训练阶段有标签的相同训练集对全连接层和分类头的参数进行优化,完成对预训练阶段对比学习自监督模型的调整。