基于改进原型网络的机电设备的故障诊断方法

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于改进原型网络的机电设备的故障诊断方法。

背景技术

机电设备在各个行业中发挥着至关重要的作用，为了确保机电设备运营的连续性，避免机电设备由于停机所造成的高昂代价，须确保机电设备在长时间内的正常运行。机器学习和原型网络广泛应用于图像分类任务，由于机电设备工况十分复杂，故障种类繁多，时变性强，振动信号的频率成分复杂，因此，现有的基于原型网络的机电设备的故障诊断方法容易忽略频谱内部的相关性，且大量噪声的存在严重干扰了振动信号的故障特征，且样本分类准确率低，且抗干扰能力差。

发明内容

本发明为解决现有的基于原型网络的机电设备的故障诊断方法容易忽略频谱内部的相关性，且样本分类准确率低，抗干扰能力差，提供一种基于改进原型网络的机电设备的故障诊断方法，具有更高的样本分类准确率和更强的抗干扰能力。

本发明提出的基于改进原型网络的机电设备的故障诊断方法，具体包括如下步骤：

S1、数据预处理：利用振动传感器采集机电设备的原始一维振动数据，并对原始一维振动数据进行归一化处理获得包含机电设备的所有故障特征和正常状态的一维振动时间序列信号，将一维振动时间序列信号转换为保留时间相关性的振动图像。

S2、网络的模型训练：构建编码器，编码器通过分布-原型层的方法提取振动图像中的所有类别的原型，并对所有原型进行模型训练和优化。

步骤S2具体包括如下步骤：

S21、将振动图像按照6：4划分为测试集和训练集，将训练集按照机电设备的所有故障特征和正常状态进行分类，并分别在各类别的样本中随机抽取n张样本，将所有样本按照类别以1:1划分为训练支持集和训练查询集。

S22、将训练支持集中的各类别的样本分别通过编码器进行编码获得各类别的原型，并通过编码器将训练支持集中的样本映射到特征空间，在训练支持集中抽取部分样本作为参考样本，计算测试集中的所有样本与测试集中除参考样本以外的其他所有样本的相对熵：

（1）；

其中，S为测试集中的所有样本，

S23、将相对熵进行归一化处理，获得参考样本的的第i个样本的权重W：

（2）；

S24、重复步骤S22-S23，利用训练查询集中的样本对权重进行测试优化；

S25、根据步骤S24的优化结果，通过下式计算各类别的原型的概率

（3）；

其中，

S26、将式（3）代入下式，计算参考样本中的第i个样本属于各类别的原型的概率

=/>

其中，

S27、根据式（4）的计算结果，通过随机梯度下降法对下式对进行反复迭代，更新

（5）；

S3、故障诊断测试：利用步骤S27获得的训练模型对测试集进行故障诊断，获得测试集中的测试样本的故障诊断结果。

优选地，步骤S1具体包括如下步骤：

S11、将原始一维振动数据缩放在区间[0，1]内，并进行归一化处理：

（6）；

其中，

S12、在极坐标中表示归一化序列，通过下式将归一化序列的值编码为角余弦，并将归一化序列的时间戳编码为半径：

（7）；

（8）；

其中，

S13、根据式（7）的计算结果将归一化序列转换为振动图像GAF：

（9）。

优选地，构建包括4层CNN卷积块和拉直层的编码器，4层CNN卷积块依次连接后与拉直层连接，每层CNN卷积块包括3*3的二维卷积层、批归一化层、基于ReLU函数的激活层和最大池化层。

与现有技术相比，本发明能够取得如下有益效果：

1、本发明对于在小样本分类任务上有较好性能的原型网络进行改进，通过相对熵计算样本的分布的影响差异，并通过计算训练支持集中的样本的分布的影响变化差异来对各原型进行分类，即样本的分布的影响差异可在没有该样本的情况下通过样本的分布的变化来测量。

2、本发明利用Gramian Angular Field（GAF）算法将一维时间序列转化为二维振动图像，大大提升了2维CNN的应用效果，有效解决了健康监测数据的长尾分布等缺点，增强了训练支持集中样本与训练集中的所有样本的依赖关系，提高了模型特征的提取能力，提升了模型分类的准确性。

附图说明

图1是根据本发明实施例提供的基于改进原型网络的机电设备的故障诊断方法的流程示意图；

图2是根据本发明实施例提供的改进原型网络的结构示意图；

图3是根据本发明实施例提供的格拉姆角点的转化原理示意图；

图4是根据本发明实施例提供的编码器的结构示意图。

具体实施方式

在下文中，将参考附图描述本发明的实施例。在下面的描述中，相同的模块使用相同的附图标记表示。在相同的附图标记的情况下，它们的名称和功能也相同。因此，将不重复其详细描述。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。

本发明实施例提出的基于改进原型网络的机电设备的故障诊断方法可对机电设备中的所有携带振动信号的部件的故障进行检测，为了便于理解本发明实施例提出的基于改进原型网络的机电设备的故障诊断方法，下面以机电设备的轴承故障为例对基于改进原型网络的机电设备的故障诊断方法进行详细介绍，其中，机电设备的轴承数据包括一种正常情况及三种故障类型：内圈故障、外圈故障和球故障，且机电设备的轴承的正常状态。驱动端轴承包括0匹、1匹、2匹、3匹四种负载类型以及0.007”、0.014”、0.021”3种直径类型，下面取2匹负载和0.007”直径类型的驱动端轴承的数据进行实验。

图1示出了根据本发明实施例提供的基于改进原型网络的机电设备的故障诊断方法的流程，图2示出了根据本发明实施例提供的改进原型网络的结构；图3示出了根据本发明实施例提供的格拉姆角点的转化原理。

如图1-图3所示，本发明实施例提出的基于改进原型网络的机电设备的故障诊断方法，具体包括如下步骤：

S1、数据预处理：利用振动传感器采集机电设备的原始一维振动数据，并对原始一维振动数据进行归一化处理获得包含机电设备的所有故障特征和正常状态的一维振动时间序列信号，将一维振动时间序列信号转换为保留时间相关性的振动图像。

步骤S1具体包括如下步骤：

S11、将原始一维振动数据缩放在区间[0，1]内，并进行归一化处理：

（1）；

其中，

S12、在极坐标中表示归一化序列，通过下式将归一化序列的值编码为角余弦，并将归一化序列的时间戳编码为半径：

（2）；

（3）；

其中，

S13、根据式（2）的计算结果将归一化序列转换为振动图像GAF：

（4）。

S2、网络的模型训练：构建编码器，编码器通过分布-原型层的方法提取振动图像中的所有类别的原型，并对所有原型进行模型训练和优化。

本发明实施例通过计算参考样本属于各类别的原型的概率分布差异代替现有技术的计算参考样本与各类别的原型的欧氏距离，即通过分布-原型层的方法提取振动图像中的所有类别的原型。

步骤S2具体包括如下步骤：

S21、将振动图像按照6：4划分为测试集和训练集，将训练集按照机电设备的所有故障特征和正常状态进行分类，并分别在各类别的样本中随机抽取n张样本，将所有样本按照类别以1:1划分为训练支持集和训练查询集。

S22、将训练支持集中的各类别的样本分别通过编码器进行编码获得各类别的原型，并通过编码器将训练支持集中的样本映射到特征空间，在训练支持集中抽取部分样本作为参考样本，计算测试集中的所有样本与测试集中除参考样本以外的其他所有样本的相对熵：

（5）；

其中，S为测试集中的所有样本，

S23、将相对熵进行归一化处理，获得参考样本的的第i个样本的权重W：

（6）；

将相对熵进行归一化处理增强了参考样本与训练集中所有样本的依赖关系，提高了训练模型的特征提取能力，提升了训练模型的分类的准确性。

S24、重复步骤S22-S23，利用训练查询集中的样本对权重进行测试优化；

S25、根据步骤S24的优化结果，通过下式计算各类别的原型的概率

（7）；

其中，

S26、将式（7）代入下式，计算参考样本中的第i个样本属于各类别的原型的概率

=/>

其中，

S27、根据式（8）的计算结果，通过随机梯度下降法对下式对进行反复迭代，更新

（9）；

S3、故障诊断测试：利用步骤S27获得的训练模型对测试集进行故障诊断，获得测试集中的测试样本的故障诊断结果。

将测试集分为测试支持集与测试查询集进行机电设备的故障评估。

图4示出了根据本发明实施例提供的编码器的结构。

如图4所示，构建包括构建包括4层CNN卷积块和拉直层的编码器，4层CNN卷积块和拉直层依次连接，每层CNN卷积块包括3*3的二维卷积层、批归一化层、基于ReLU函数的激活层和最大池化层。编码器将训练支持集中的所有D维特征向量转换为新向量空间中的Z维空间向量，继而采用Flatten层拉直，自动从灰度振动图像中学习一维振动时间序列信号的特征并训练编码公式。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。