CN115112372B 轴承故障诊断方法、装置、电子设备及存储介质 （哈尔滨工业大学（深圳））

本发明实施例公开了一种轴承故障诊断方承的振动信号输入到预先训练好的神经网络模2将轴承的振动信号输入到预先训练好的神经网络模型的特征提将所述特征向量输入到所述神经网络的分类子模型中，得到所述轴承在神经网络模型的每次迭代训练过程中，将每个训练样本的样表示第m个训练样本所对应的样本类别，K表示所有训练样本的总数，V表示样本类型的数通过离线网络模型的迁移学习得到神经网络模型的特征提取子模型的第一图卷积网通过对离线网络模型进行迭代训练，将训练好的离线网络模型3输入多个训练样本，对神经网络模型进行迭代训练，直至迭代次所述将轴承的振动信号输入到预先训练好的神经网络模型的特征提取子模型将一维特征向量转换为图信号，并将图信号输入到第一图卷积特征向量获取模块，用于将轴承的振动信号输入到预先数进行更新而得到；故障诊断结果获取模块，用于将所述特征向量输入到所述神经网络的分类子模型中，在神经网络模型的每次迭代训练过程中，将每个训练样本的样4表示第m个训练样本所对应的样本类别，K表示所有训练样本的总数，V表示样本类型的数9.一种包含计算机可执行指令的存储介质，计算机处理器执行时用于执行如权利要求1_6中任一5[0001]本发明涉及一种机械设备故障诊断技术领域，尤其涉及一种轴承故障诊断方法、数进行更新而得到；6计算机可执行指令在由计算机处理器执行时用于执行如本发明任一所述实施例中的轴承7[0030]图12(a)为本发明实施例二中的一种引入迁移学习前后的模型训练的损失曲线[0031]图12(b)为本发明实施例二中的一种引入迁移学习前后的模型训练的测试准确率[0038]图1为本发明实施例所提供的一种轴承故障诊断方法的流程示意图，本实施例可[0040]S110、将轴承的振动信号输入到预先训练好的神经网络模型的特征提取子模型8子模型可以是图卷积网络的模型，也可以是一维卷积神经网络和图卷积网络的组合模型，9的故障样本也可以得到对应的权值。而权值调整因子可以通过粒子群算法(Particle一维卷积模型过拟合。在本发明实施例中，需要经过多次的卷积和池化操作，比如，卷[0069]定义拉普拉斯矩阵L如下，其中D为度矩阵，为邻接矩阵，Ik为k阶单位矩阵，以拉普拉斯矩阵特征值构建的对角矩阵。U为拉普拉斯矩阵为各个特征值对应的特征向量其中Z为输入图信号经过多次图卷积和图池化操作后的输里是未引入离线网络模型的迁移学习的神经网络模型(PSOoptimizedCost-SensetiveConvolutionandGraphConvolutionNetwork,PCS-CGCN)，此时神经网络模型的网络的使得对于振动信号中的特征提取的更加全面。之后经过随机失活dropout层以及Flatten机失活层之后经过全连接层FC512，全连接层包括512个节点。最后通过损失函数softmax道神经网络模型与离线网络模型的区别就在于神经网络模型在第一图卷积网络后增加了幅可以按照下述表2中的超参数进行设置，此时的神经网络模型从上到下的网络层的内核[0083]其中，每个概率输出值表示振动信号属于样本类别的概率。分类子模型可以是本类别。[0089]图5所示为本发明实施例所提供的一种轴承故障诊断方法的流程示意图，本发明[0091]S210、将轴承的振动信号输入到预先训练好的神经网络模型的特征提取子模型装有i5_6300Q中央处理器和NVIDIAGeForceGTX965MGPU的计算条件下采集到的振动信号得到最终的不平衡[0103]测试PCS_CGCN在四个数据集上的性能表现。同时，为说明本发明实施例的PCS_为核函数，采用24维特征作为输入信号的支持向量机(SupportVectorMachine,SVM)模通通通通通通通通[0114]为了更直观地观察到多种网络模型对不平衡数据集中不同故障的分类结果，图7展现了四种模型完成分类后的混淆矩阵。由于数据集D中健康样本与故障样本的数量比达均低于了96SVM模型的识别准确率也仅为92％左右。PCS_CGCN的识别准确率却达到了98F1_score为97.82意味着在强噪声环境下，本发明实施例提出PCS_CGCN仍能较好的识别准确率和F1_score均达到了99％左右，相较于其它模型，识别准确率提升了4%~[0125]为说明本发明实施例提出的PCS_TCGCN模型在变工况故障诊断方面的可行性和优际概率自适应搜索特征子空间的迁移成分分析法(TCA,TransferComponentAnalysis)，并采用KNN作为分类器。(2)结合边际概率分布和条件概率分布的联合分布适配法(JDA,但是在0hp_1hp的迁移任务中，TCA的分类精度却仅为93.22这意味着随着载荷也再次验证了PCS_TCGCN在变载荷故障诊断中能够保0.007英寸故障直径工况下采集到的故障信号作为源域样本，IMS(Intelligent个方法进行10次实验。从图11中可以看出，PCS_TCGCN在设备发生变化时，准确率和F1_score均达到98％以上，其他对比方法故障诊断的准确率和F1_score均低于98意味着绘制了引入迁移学习前后模型训练的测试准确率曲线，图12中的(b)绘制了引入迁移学习类效果是可行的。而未引入代价敏感学习和迁移学习的GCN和CGCN在收敛速度和分类准确验证。在样本不均衡分类实验中，本发明实施例的技术方案在模型平均分类准确率和F1_score均达到了98％以上，PCS_CGCN在保证了总体分类准确率的前提下提高少数类的分类实施例的技术方案的模型平均分类准确率和F1_score维持在98％左右。在弱噪声环境下，PCS_TCGCN平均分类准确率和F1_score维持在99％以上。在变设备故障故障诊断实验中，[0141]特征向量获取模块810，用于将轴承的振动信号输入到预先训练好的神经网络模示目标损失函数的分类节点中第i个节点的概率输出值，分类节点的个数与样本类别的数离线网络模型进行迭代训练，将训练好的离线网络模型的离线第一图卷积网络的最优参量获取模块810还用于：将轴承的振动信号输入到一维卷积神经网络中，得到一维特征向(包括系统存储器502和处理单元501)的总[0157]系统存储器502可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)504和/或高速缓存存储器505。电子设备50可以进一步包括其它可移动/不[0159]电子设备50也可以与一个或多个外部设备509(例如键盘、指向设备、显示器510该电子设备50能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器目标损失函数根据每个训练样本的样本类别的权值，对交叉熵损失函数进行更新而得到；样本类别的多个概率输出值，基于最高的概率输出值得到轴承的振动信号对应的故障情[0165]计算机可读的信号介质可以包括在基带中或者作为载波[0167]可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的