一种有限数据条件下的滚动轴承故障诊断方法

本发明涉及一种滚动轴承故障诊断方法，具体涉及一种基于fmrgan的有限数据条件下的滚动轴承故障诊断方法。

背景技术：

1、滚动轴承在机械领域中扮演着重要角色，是旋转机械设备中的重要部件。同时，滚动轴承也是旋转机械设备中最容易出现故障的部件之一。滚动轴承的运行状态对机械设备整体的可靠性、安全性及使用寿命等性能具有重要影响。因此，实现滚动轴承运行状态监测并及时进行故障诊断是非常必要的。

2、由于现实中滚动轴承所有故障类型的数据难以得到充分而均衡的收集，导致部分故障类型的样本量有限，因此在有限数据条件下，准确地实现滚动轴承故障诊断是一个具有挑战性的任务。利用生成对抗性网络(gan)解决有限数据增强问题已被证明是一种有效方法。然而，现有基于gan的数据增强方法并没有考虑到生成器中使用转置卷积会导致的棋盘效应，进而影响生成样本的质量。生成器模型本质上是将低维潜在空间中的向量映射到高维样本空间，从而生成具有特定属性的样本。在生成器模型中，映射过程的准确性是确保生成样本符合预期标准的关键因素。这意味着生成器需要准确捕捉潜在空间中的特征，并将它们映射到样本空间，以确保生成的样本不仅符合特定属性，而且具有真实性和多样性。dcgan、wgan以及acgan等常见的生成对抗网络均使用转置卷积的重构技术，其将潜在空间中的随机向量重构为图片。但是转置卷积存在两个弊端，首先对于特征图中的每个位置都是应用相同大小的卷积内核，这种做法不仅忽略了空间上的位置差异，同时难以有效捕捉局部特征的变化。其次，使用转置卷积的时候会发生不均匀重叠现象，也被称作棋盘效应。棋盘效应会导致输出的像素值在特征图上的空间分布不均匀。棋盘效应的出现会严重影响生成样本的质量，从而降低诊断性能。

3、对于基于gan的数据增强中出现的棋盘效应，主要有两种解决方法。一种是采取可以被stride整除的kernel size。虽然这种精细调节kernel size和stride的大小关系以确保他们尽量能整除的方法可以在一定程度上解决棋盘效应问题，但是一旦网络的kernel学习不均匀，仍然会无法完全解决棋盘效应的问题。另一种是先对生成图像进行插值操作，增加其分辨率，然后再进行卷积处理，以使图像更加平滑，减少棋盘伪影的出现。这种做法的不足在于仅通过像素点的空间位置进行细节填充，而且感受野很小，并没有利用到特征图的语义信息，同时还会降低模型训练的稳定性。

技术实现思路

1、针对生成对抗网络中使用转置卷积会导致的棋盘效应，以及模型训练不稳定等问题，本发明提供了一种有限数据条件下的滚动轴承故障诊断方法。

2、本发明的目的是通过以下技术方案实现的：

3、一种有限数据条件下的滚动轴承故障诊断方法，包括如下步骤：

4、步骤一、构建基于cwt的有限样本数据集，将振动信号数据集转变为时频图数据集，具体步骤如下：

5、步骤一一、获取滚动轴承原始振动信号；

6、步骤一二、对原始振动信号使用连续小波变换进行预处理，将原有的振动信号数据集转变为时频图数据集；

7、步骤一三、为时频图数据集的各个数据打上故障类别标签，并使用脚本随机划分为训练集、验证集、测试集；

8、步骤二、以dcgan网络为基础模型，使用特征映射重构模块构建全新的生成器，同时在其鉴别器中引入坐标注意力机制，构建基于fmrgan的数据增强网络，具体步骤如下：

9、步骤二一、使用四个特征映射重构模块构成特征映射重构生成器主体：

10、特征映射重构生成器由一个反卷积层和四个特征映射重构模块组成，特征映射重构模块包括两个部分：其一是根据每个目标位置的内容预测生成自适应重组内核的自适应内核模块，其二是用预测生成的自适应重组内核进行重组特征操作，其中：

11、自适应内核模块由通道压缩器、内容编码器和内核归一化器三个子模块组成，首先，在通道压缩器中使用1×1的卷积层将输入特征通道数从c压缩到cm；然后，内容编码器将压缩后的特征图作为输入，在内容编码器中基于输入特征的内容使用内核大小为kencoder的卷积层生成自适应重组内核，生成自适应重组内核后再进行reshape操作将编码的通道信息扩充到同一维度；最后，内核归一化器将softmax函数应用于每个自适应重组内核，对每个上采样大小为kup*kup的自适应重组核进行归一化，使得内核值之和为1；

12、自适应内核模块在χl的区域为每个位置l′预测该位置的自适应内核wl′：

13、

14、对于每个自适应重组内核wl′，特征映射重组模块在局部区域内重组特征，目标位置l′和以l＝(i，j)为中心的相应区域n(χl，kup)重组操作如下式所示：

15、

16、其中，n(χl，k)表示特征图χ上以位置l为中心，k*k大小的区域；特征映射重构模块将χl区域和内核wl′进行重组得到最终的输出；

17、步骤二二、在鉴别器中引入坐标注意力模块：

18、坐标注意力模块由坐标信息嵌入和坐标注意力生成两部分组成，对于给定的输入特征张量x＝{x1，x2，x3......xc}，xc代表第c个通道的输入特征张量，第c个通道的全局信息嵌入如下式所示：

19、

20、其中，zc是与第c个通道相关联的输出，xc(i，j)表示输入序列在通道c、位置(i，j)处的值，在ca中使用两个池化核(h，1)和(1，w)将上式转换为两个一维特征编码操作，h和w分别表示在水平坐标方向和竖直坐标方向上进行大小为h和w的池化，则高度h处的第c个通道的输出写为：

21、

22、其中，xc(h，i)表示输入序列在通道c、位置(h，i)处的值；

23、宽度为w的第c个通道的输出可以写为：

24、

25、其中，xc(j，w)表示输入序列在通道c、位置(j，w)处的值；

26、上述两个变换分别沿着两个不同的空间方向聚合特征，以生成一对方向感知特征图，上述操作被称为coordinate information embedding；

27、在获得一对方向感知特征图之后，首先级联两个特征图，然后使用一个共享的1×1卷积进行f1变换：

28、f＝δ(f1([zh，zw]))

29、其中，[·，·]表示沿空间维度的级联运算，δ是非线性激活函数，生成的f∈是空间信息在水平方向和垂直方向的中间特征图，c是通道数，r是用于控制模块大小的减小率，将f分解为两个独立的张量和再利用两个1×1卷积变换fh和fw将特征图fh和fw变换为和输入x同样通道数的张量，其过程如下：

30、gh＝σ(fh(fh))

31、gw＝σ(fw(fw))

32、其中，σ代表sigmoid函数，输出gh和gw分别被展开并用作注意力权重，ca模块的最终输出如下式所示：

33、

34、其中，yc(i，j)表示在通道c上的位置(i，j)处的输出值；表示在通道c上对行维度的注意力权重，用于调整行维度的重要性；表示在通道c上对列维度的注意力权重，用于调整列维度的重要性；i和j分别表示矩阵中的行和列索；

35、步骤二三、通过对抗性学习机制训练fmrgan的生成器和鉴别器：

36、对于数据增强模型，满足pz分布的噪声z与类标签c相结合，并输入到特征映射重构生成器g用来生成信号sg，生成的信号sg和原始信号sreal一起用作鉴别器d的输入，g和d以对抗性的方式交替训练，直到模型达到纳什均衡状态，数据增强模型的损失函数表示为：

37、

38、

39、其中pdata和pg分别表示真实数据和生成数据的概率分布，p(y＝y|sreal)和p(y＝y|sg)分别表示真实数据和生成数据在类标签上的概率分布，e表示对随机变量取值的期望；

40、步骤二四、使用经过训练的fmrgan生成伪样本，并将伪样本添加到步骤一构建的有限样本数据集中以构建增强数据集；

41、步骤三、将增强数据集输入到vision transformer分类网络中得到故障诊断结果。

42、相比于现有技术，本发明具有如下优点：

43、本发明通过使用连续小波变换进行预处理，有效避免了轴承振动信号具有的非线性和非平稳性的缺点，同时其具有一定的去噪效果；通过设计的特征映射重构模块来构建生成器，可以使上采样过程不再基于像素点的空间位置而是基于特征的内容，正因如此使用特征映射重组模块可以有效避免棋盘效应的产生。同时，局部区域中特征点的重要信息可以得到更多的关注，所以重组生成的特征图的语义信息可以比原始特征图更强。再在鉴别器中加入坐标注意力机制，使得模型可以考虑特征图通道信息和空间位置信息之间的关系，能够提升整体的特征提取能力，且根据特征的重要性赋予权重，保证提取的特征信息的完整性，最终提升生成样本的质量。