CN116026590B 自监督的轴承故障诊断方法 （上海大学）

faultdiagnosis.Measurement本发明提供了一种自监督的轴承故障诊断2预训练阶段：使用基于聚类算法的对比学习，对自监督的基于对比法的对比学习包括通过对比学习架构孪生网络，将振动信号源数据x进行不同的数据增强将深度神经网络的编码器的输出直接提供至原型层，所述原型编码器中引入残差块，残差块的最终输出H(x)中，由卷积层对输入x计算后的输出F残差块在输出时保留原输入的信息，使得其在高维特征空间从收集到的振动信号的每种状态各采集500组信号作为源数据集，其中每组信号长度其中数据增强方法包括增加随机高斯噪声、进行随机掩码和对信号振幅进行随机变从振动信号的每种状态各采集500组信号作为数据集X'，X'中每组信号x长重构深度神经网络，使用预训练阶段的模型的编码器，并根据数据集X'中包含故障类别个数重新设计新的深度神经网络的将模型的输出Y与标签信息Labels计算交叉熵损失，利用该损失对模型的分类器的参3别。4[0018]一个模型的原型层的输出与另一模型计算出的伪标签通过目标函数计算交叉熵[0022]通过代理任务定义正负样本，根据正负样本之间的差异[0024]将孪生网络中一个模型的输出与另一模型通过聚类算法获得的伪标签进行交替[0026]孪生网络中使用的深度神经网络为50层的残差网络，其主体架构包括编码器和[0031]从收集到的振动信号的每种状态各采集500组信号作为源数据集，其中每组信[0040]第六部分中将之前获得的输出经过平均池化层，ResNet的编码器最终输出长度5[0042]原型层的输入维度为ResNet的输出长度128，原型层的输出维度为预估的故障[0052]将模型的输出Y与标签信息Labels计算交叉熵损失，利用该损失[0055]引入对比学习以通过定义样本中与它语义相似的例子和语义不同的例子进行对[0057]首先，模型训练时采用的模拟数据集通常是以固定环境下的振动信号为数据6以完全的探究清楚作为数据源的振动信号所代表机械和故[0071]以下结合附图和具体实施例对本发明提出的自监督的轴承故障诊断方法作进一7型投入真实工业环境中使用。[0077]本发明用聚类算法计算的聚类中心个数来替代深度神经网络最终输出的分类个深度神经网络在预训练分类时需要明确的知道数据集中有多少络组成，由不同的输入通过相同的神经网络训练获得不同的输出。深度神经网络选用8有别于有监督学习用数据集的真实标签Label与数据集经过模型后的输出y，通过目标[0086]深度神经网络的选择包括：孪生网络中使用的深度神经网络为50层的残差网络身也会参与运算，有效地缓解整个训练模型训练时产生的梯度爆炸和梯度消失问题，并且使得模型可以足够的深，残差块在输出时保留了原输入的信息，使得其在高维特征空间中仍能有效地保留输入数据的原始特征。[0087]本发明在ResNet50后增加了原型层（PrototypeLayer其作为聚类算法中的存容量较小，所以模型在通过数据集学习时，通常会将数据集拆分成多个小批次（min_原型层可以贯穿整个数据集的不同min_batch之中。且本发明利用Sinkhorn_Knopp算9分1将1*2048的输入x训练为64*512，后续部分继续对数据提取特征。部分2的输出为256*平均池化层(AveragePooling)，ResNet的编码器最终输出长度为2048的特征feature。[0092]本发明引入了对比学习的思想，对比学习通过定义样本中与它语义相似的例子效果。相较于单纯的通过一个深度神经网络直接对数据提取特征进行聚类，对比学习能使[0097]本发明针对有分类标签的故障数据不足或者难以辨别所有采集到的数据的故障[0099]本发明用Sinkhorn_Knop