一种轴承故障诊断中小样本数据处理方法及装置

本发明涉及数据处理，具体为一种轴承故障诊断中小样本数据处理方法及装置。

背景技术：

1、随着工业自动化与智能制造的发展，作为机械设备中的核心组件轴承，其性能直接影响整个机械系统的运行效率与可靠性。因此轴承故障的早期诊断与预防成为提升设备稳定性和降低维护成本的关键技术。

2、目前，轴承故障诊断主要依赖于振动信号分析、声发射检测等方法，并辅以数据分析与机器学习技术进行故障特征提取和分类。然而这些轴承诊断方法需要大量的标注数据进行模型训练，这对于新型或少见故障类型的轴承而言会出现轴承故障诊断结果不准确的问题。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种轴承故障诊断中小样本数据处理方法及其装置。

2、本发明是通过以下技术方案来实现：

3、本发明提供一种轴承故障诊断中小样本数据处理方法，包括：

4、获取轴承故障诊断系统的待诊断数据，对所述待诊断数据依次进行预处理，获得训练数据集合，所述训练数据集合包括标准特征数组和故障标签数组，所述预处理至少包括以下一项或多项：去噪滤波、数据分割、特征提取、数据标准化、标签处理、数据整合；

5、将所述训练数据集合中标准特征数组转化为噪声数据，以及根据嵌入向量对所述噪声数据进行数据恢复的训练，获取与轴承诊断缺陷类型对应的各类特征值受控扩散模型zcddpm生成模块，所述嵌入向量用于提供轴承诊断缺陷类型的指导信息；

6、将随机噪声数据与所述嵌入向量拼接，并将拼接结果输入所述zcddpm生成模块，获得与所述嵌入向量对应缺陷特征数据统计特性一致的特征数据；

7、对获得所述待诊断数据以及所述特征数据进行数据处理，确定轴承故障诊断结果。

8、进一步的，所述对所述待诊断数据依次进行预处理，获得训练数据集合，包括：

9、对所述待诊断数据进行与故障无关的噪声和频率成分的去除处理，获得去噪滤波后的待诊断数据序列；

10、通过滑窗方式，对所述待诊断数据序列进行数据分割，获得个片段，所述片段，，表示第个片段数据的第个连续数据点；

11、通过时域特征函数对所述片段进行计算，并将计算结果通过快速傅里叶变换进行频域特征提取，获得特征提取片段，所述特征提取片段至少包括频率信息和能量谱密度信息，是第个片段的第个特征值；

12、对所述特征提取片段进行标准化处理，获得标准片段，第个标准片段，是指经过标准化处理后的第个片段的第个特征值；

13、将故障标签数据通过独热编码处理，为每种故障类型分配一个唯一的故障类别独热编码向量，所述故障类别独热编码向量是二进制向量，其中，表示第种故障类别的独热编码向量的第个特征值；

14、将标准片段和故障标签数组进行并排存储，获得训练数据集合，标准特征数组，故障标签数组。

15、进一步的，所述将所述训练数据集合中标准特征数组转化为噪声数据，以及根据所述嵌入向量对所述噪声数据进行数据恢复的训练，获取与轴承诊断缺陷类型对应的各类特征值受控扩散模型zcddpm生成模块，包括：

16、将所述故障标签数组转换为嵌入向量；

17、将所述标准特征数组和所述嵌入向量对所述ddpm训练模型进行训练，获得所述zcddpm训练模型。

18、进一步的，所述将所述训练数据集合中标准特征数组转化为噪声数据，包括：

19、逐步向所述标准特征数组注入高斯噪声，以获得失去原始结构性的所述噪声数据；

20、所述将所述训练数据集合中标准特征数组转化为噪声数据之后，还包括：

21、从与最后产生的噪声数据相同的分布中抽取一个所述噪声数据，依据所述嵌入向量对所述噪声数据进行恢复。

22、进一步的，所述ddpm训练模型，包括：用于衡量所述ddpm训练模型生成的结果与真实数据之间的差异程度的恢复误差损失函数，其中，是一批次中样本的总数，是第个样本的真实数据，是第个样本的模型输出，所述真实数据为轴承故障数据中获取的实际轴承故障特征信号；

23、所述ddpm训练模型，还包括：条件嵌入一致性损失函数，所述用于强化所述ddpm训练模型对故障类型的引导，其中，是批次中样本的总数，是条件编码器针对实际数据生成的条件嵌入向量，包含了故障类型等信息；是条件编码器针对生成数据生成的条件嵌入向量；

24、所述ddpm训练模型，还包括：组合损失函数，，其中，是条件嵌入一致性损失函数的权重因子，。

25、本发明另一实施例提供一种轴承故障诊断中小样本数据处理装置，包括：

26、预处理模块，用于获取轴承故障诊断系统的待诊断数据，对所述待诊断数据依次进行预处理，获得所述训练数据集合，所述训练数据集合包括标准特征数组和故障标签数组，所述预处理至少包括以下一项或多项：去噪滤波、数据分割、特征提取、数据标准化、标签处理、数据整合；

27、受控ddpm结构设计模块，用于将所述训练数据集合中标准特征数组转化为噪声数据，以及根据所述嵌入向量对所述噪声数据进行数据恢复的训练，获取与轴承诊断缺陷类型对应的各类特征值受控扩散模型zcddpm生成模块，所述嵌入向量用于提供轴承诊断缺陷类型的指导信息；

28、zcddpm模块，用于将随机噪声数据与所述嵌入向量拼接，并将拼接结果输入所述zcddpm生成模块，获得与所述嵌入向量对应缺陷特征数据统计特性一致的特征数据；

29、处理模块，用于对获得所述待诊断数据以及所述特征数据进行数据处理，确定轴承故障诊断结果。

30、进一步的，所述预处理模块，包括：去噪滤波模块、数据分割模块、特征提取模块、数据标准化模块、标签处理模块、数据整合模块；其中，

31、所述去噪滤波模块，具体用于对所述待诊断数据进行与故障无关的噪声和频率成分的去除处理，获得去噪滤波后的待诊断数据序列；

32、所述数据分割模块，通过滑窗方式，对所述待诊断数据序列进行数据分割，获得个片段，所述片段，，表示第个片段数据的第个连续数据点；

33、所述特征提取模块，用于通过时域特征函数对所述片段进行计算，并将计算结果通过快速傅里叶变换进行频域特征提取，获得特征提取片段，所述特征提取片段至少包括频率信息和能量谱密度信息，是第个片段的第个特征值；

34、所述数据标准化模块，用于对所述特征提取片段进行标准化处理，获得标准片段，第个标准片段，是指经过标准化处理后的第个片段的第个特征值；

35、所述标签处理模块，用于将故障标签数据通过独热编码处理，为每种故障类型分配一个唯一的故障类别独热编码向量，所述故障类别独热编码向量是二进制向量，其中，表示第种故障类别的独热编码向量的第个特征值；

36、所述数据整合模块，用于将标准特征数组和故障标签数组进行并排存储，获得训练数据集合，标准特征数组，故障标签数组。

37、进一步的，所述受控ddpm结构设计模块，包括：条件编码器模块和受控ddpm训练模块；

38、所述条件编码器模块，用于将所述故障标签数组转换为嵌入向量；

39、所述受控ddpm训练模块，用于将所述标准特征数组和所述嵌入向量对所述ddpm训练模型进行训练，获得所述zcddpm训练模型。

40、进一步的，所述受控ddpm训练模块，具体用于逐步向所述标准特征数组注入高斯噪声，以获得失去原始结构性的所述噪声数据；从与最后产生的噪声数据相同的分布中抽取一个所述噪声数据，依据所述嵌入向量对所述噪声数据进行恢复。

41、进一步的，所述ddpm训练模型，包括：恢复误差损失函数，所述恢复误差损失函数，其中，是批次中样本的总数，是第个样本的真实数据，是第个样本的模型输出，所述真实数据为轴承故障数据中获取的实际轴承故障特征信号；

42、所述ddpm训练模型，还包括：条件嵌入一致性损失函数，所述用于强化所述ddpm训练模型对故障类型的引导，其中，是一批次中样本的总数，是条件编码器针对实际数据生成的条件嵌入向量，包含了故障类型等信息；是条件编码器针对生成数据生成的条件嵌入向量；

43、所述ddpm训练模型，还包括：组合损失函数，，其中，是条件嵌入一致性损失函数的权重因子，。

44、与现有技术相比，本发明具有以下有益的技术效果：

45、本发明能够在有限的样本基础上生成高质量、与真实数据具有相似统计特性的合成数据，显著减少了对真实故障数据的需求，使得故障诊断模型即便在样本较少的情况下也能进行有效训练和优化。通过使用zcddpm生成与实际故障数据统计特性一致的合成数据，减少对大规模标注数据的依赖。