一种基于半监督类别增量的轴承故障诊断方法及系统

技术领域

本发明涉及机械故障识别技术领域，尤其是指一种基于半监督类别增量的轴承故障诊断方法及系统。

背景技术

随着技术的不断进步，现代工业正朝着信息化、智能化的方向发展。作为现代工业的重要载体，工业设备承担着巨大的生产任务和责任。然而，一旦发生故障，不仅会造成巨额经济损失，还可能带来人员伤亡等潜在风险。轴承作为工业设备中不可或缺的组成部分，在高温高压等恶劣环境下长时间运转，其意外故障也是难以避免的。因此，在这样一个背景下对轴承健康状态进行监测、诊断显得尤为关键和紧迫。只有通过科学有效地监控手段来及时发现并解决问题，才能保证整个生产过程顺利进行，并最终实现企业效益最大化。

故障诊断技术分为有监督、无监督和半监督三种学习类型。有监督学习是故障诊断中应用最广泛的方法之一。它通过利用标注的故障数据来训练模型，使其能够自动地识别和分类故障。有监督学习可以处理复杂和大规模的数据集，并且可以发现数据中的细微差别和模式。但是，它需要大量的标注数据，而这些数据的获取和标注可能非常耗时和昂贵。无监督学习在故障诊断中也有一定的应用。它不依赖于标注的故障数据，而是通过分析未标注的数据来发现数据中的结构和模式。无监督学习可以处理非线性和高维度的数据，并且可以在没有先验知识的情况下进行故障检测和分类。但是，它的性能和效果通常不如有监督学习，而且也需要对数据进行一定的预处理和特征提取。半监督学习在故障诊断中是一种新兴的方法。它结合了有监督学习和无监督学习的优点，利用未标注数据进行辅助训练，以提高模型的泛化能力和准确性。半监督学习不需要大量的标注数据，而且可以自动地利用未标注数据中的信息和知识来优化模型的学习和分类。

类别增量学习在故障诊断领域中的应用发展迅速，它通过不断利用新的数据来更新和优化故障诊断模型，以适应动态变化的工业环境和设备状态，提高模型的诊断能力和泛化性能。传统的故障诊断方法大多数是针对静态的或者有限的数据集进行训练，难以适应工业生产现场的动态环境和流数据场景。此外，传统的故障诊断方法通常需要大量的标记数据，这在实际应用中往往是非常耗时和昂贵的。因此，如何利用未标记数据和少量有标记数据进行有效的故障诊断成为了一个重要的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中如何利用未标记数据和少量有标记数据进行有效的故障诊断的问题。

为解决上述技术问题，本发明的第一方面提供了一种基于半监督类别增量的轴承故障诊断方法，所述方法包括：

获取原始振动信号；

根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；

根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；

将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；

所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；

根据所述输出权重确定轴承故障类别。

在本发明的一个实施例中，获取原始振动信号的步骤包括：

获取轴承振动的加速度信号；

对所述加速度信号进行傅里叶变换生成原始振动信号。

在本发明的一个实施例中，根据所述第一数据集训练半监督类别增量模型，生成初始化模型的步骤包括：

根据稀疏自编码器提取所述第一数据集的第一稀疏特征；

将所述第一稀疏特征通过Sigmoid非线性激活函数变换生成第一增强特征；

将所述第一稀疏特征和所述第一增强特征组合生成第一数据集特征矩阵；

根据所述第一数据集特征矩阵初始化所述分类器，以生成初始模型。

在本发明的一个实施例中，将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵的步骤包括：

根据稀疏自编码器提取所述第二数据集的第二稀疏特征；

将所述第二稀疏特征通过Sigmoid非线性激活函数变换生成第二增强特征；

将所述第二稀疏特征和所述第二增强特征组合生成第二数据集特征矩阵。

在本发明的一个实施例中，根据所述输出权重确定轴承故障类别的公式如下：

[Y

其中，A

本发明的第二方面提供了一种基于半监督类别增量的轴承故障诊断系统，应用于上述第一方面中任意一项提出的一种方法，所述系统包括：数据处理模块和模型构建模块；

所述数据处理模块被配置为：获取原始振动信号；根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；

所述模型构建模块被配置为：根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；根据所述输出权重确定轴承故障类别。

本发明的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。

本发明的第四方面提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。

本发明的上述技术方案相比现有技术具有以下优点：

本发明所述的一种基于半监督类别增量的轴承故障诊断方法及系统，通过引入半监督学习算法和增量学习策略，能够在仅使用少量标记样本的情况下，利用大量未标记样本进行模型训练，并随着时间的推移自动适应新的故障类型。有助于提高轴承故障诊断的准确性和效率。能够自动提取轴承故障特征，并利用这些故障特征进行智能分类。减少了人工干预和专家经验的依赖，降低了诊断成本，并提高了诊断速度和准确性。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。

图1是本发明提供的一种基于半监督类别增量的轴承故障诊断方法及系统的流程图；

图2是本发明提供的一种基于半监督类别增量的轴承故障诊断方法及系统的原理框图；

图3是本发明提供的一种基于半监督类别增量的轴承故障诊断方法及系统中故障增量准确率图；

图4是本发明提供的一种基于半监督类别增量的轴承故障诊断方法及系统中混淆矩阵示意图；

图5本发明提供的一种基于半监督类别增量的轴承故障诊断方法及系统的系统架构图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。

参照图1和图2所示，本发明提供了一种基于半监督类别增量的轴承故障诊断方法，包括：所述方法包括：

S100：获取原始振动信号；

在步骤S100中，获取原始振动信号的步骤包括：获取轴承振动的加速度信号；对所述加速度信号进行傅里叶变换生成原始振动信号。

在实际应用场景中，采集轴承振动的加速度信号，对采集的加速度信号进行快速傅里叶变换(FFT)，FFT使加速度信号从时域信号转变为频域信号，也就是将加速度信号转换为原始振动信号，频域信号相对于时域信号更能反映出轴承故障的特征。

S200：根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；

在步骤S200中，获取到的原始振动信号生成数据流，数据流被分离成多个数据集，每个数据集代表一个增量阶段任务。在本申请中构建了一个包含十种健康状态的轴承故障数据集，(0.2mm滚子故障、0.3mm滚子故障、0.4mm外圈故障、0.5mm滚子故障、0.6mm滚子故障、0.2mm内圈故障、0.3mm内圈故障、0.4mm内圈故障、0.5mm内圈故障、和0.6mm内圈故障)。因此，得到了10个轴承健康状态。如表1所示，每个健康状态有100个测试样本，有标记的训练样本为20个，未标记的训练样本有40个。一种故障状态设置为1个任务阶段，则0.2mm的滚子故障为初始化任务，0.3mm的滚子故障为第一次增量任务，相应的本次实验共有9次增量任务。

表格1：

S300：根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；

在步骤S300中，根据所述第一数据集训练半监督类别增量模型，生成初始化模型的步骤包括：根据稀疏自编码器提取所述第一数据集的第一稀疏特征；将所述第一稀疏特征通过Sigmoid非线性激活函数变换生成第一增强特征；将所述第一稀疏特征和所述第一增强特征组合生成第一数据集特征矩阵；根据所述第一数据集特征矩阵初始化所述分类器，以生成初始模型。

在实际应用场景中，利用第一数据集训练半监督类别增量模型，先通过疏自编码器从第一数据集中提取第一稀疏特征，再对提取到的第一稀疏特征进行Sigmoid非线性激活函数变换以得到第一增强特征，将第一稀疏特征和第一增强特征进行组合得到第一数据集特征矩阵，最后根据第一数据集特征矩阵构建初始半监督类别增量规则以初始化分类器，生成初始模型M

S400：将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；

在步骤S400中，将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵的步骤包括：根据稀疏自编码器提取所述第二数据集的第二稀疏特征；将所述第二稀疏特征通过Sigmoid非线性激活函数变换生成第二增强特征；将所述第二稀疏特征和所述第二增强特征组合生成第二数据集特征矩阵。

在实际应用场景中，将第二数据集输入至初始化模型中以获得第二数据集的特征矩阵。其中，利用稀疏自编码器提取第二数据集的稀疏特征；然后将稀疏特征通过Sigmoid非线性激活函数变换得到增强特征；将稀疏特征和非线性增强特征组合得到总的特征矩阵。利用特征矩阵通过构建的半监督类别增量机制来更新模型M

S500：所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；

在步骤S500中，利用第二个数据集的特征矩阵通过设计的增量规则

D

其中

D

其中

S600：根据所述输出权重确定轴承故障类别。

在步骤S600中，根据所述输出权重确定轴承故障类别的公式如下：

[Y

其中，A

如果是初始化模型M

其中，W

在实际应用场景中，利用第k+2数据集的总特征矩阵A

L

不同方法在数据集上的增量准确率参照图3所示。轴承故障增量两次以后本申请的增量准确率明显高于其它方法，说明本申请所提出的方法在故障增量诊断任务中是有效的。参照图4所示，是本申请所提出的方法在完成增量任务后的混淆矩阵。可以看出每个故障的准确率都非常高，且不存在灾难性遗忘问题，充分说明本申请所提出方法的有效性和可行性。

第二方面，参照图5所示，本申请提供了一种基于半监督类别增量的轴承故障诊断系统，所述系统包括：数据处理模块和模型构建模块；

所述数据处理模块被配置为：获取原始振动信号；根据所述原始振动信号生成数据流；所述数据流包括第一数据集和第二数据集；

所述模型构建模块被配置为：根据所述第一数据集训练半监督类别增量模型，生成初始化模型；所述初始化模型包括特征提取器和分类器；将所述第二数据集输入至所述特征提取器生成第二数据集特征矩阵；所述第二数据集特征矩阵通过半监督类别增量规则更新所述分类器，以生成第一模型和输出权重；根据所述输出权重确定轴承故障类别。

上述系统中在应用前述方法时的作用效果可参见前述方法实施例中的说明，在此不再赘述。

本发明的第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。

本发明的第四方面提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述第一方面或第一方面中任一种可能的实施方式中所述的方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。