(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111212782.1 (22)申请日 2021.10.19 (71)申请人 华北电力大 学 （保定） 地址 071003 河北省保定市永华北 大街619 号华北电力大 学 (72)发明人 向玲　苏浩　胡爱军　杨鑫　 陈凯乐　陈锦鹏　姚青陶　 (74)专利代理 机构 石家庄冀科专利商标事务所 有限公司 13108 专利代理师 李羡民 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种多工况下小样本滚动轴承故障诊断方 法 (57)摘要 一种多工况下小样本滚动轴承故障诊断方 法， 所述方法包括以下步骤： a.构建成任 务集； b. 将任务集中的数据输入到ISDAE进行重构， 得到 保留了原始信号中的有效特征， 并降低了噪声的 重构信号矩阵； c.利用MAML对重构信号进行分 类， 训练MA ML的模型参数， 获得最优网络模型； d. 将被监测滚动轴承的原始振动信号输入到训练 好的MAML模型， 判断滚动轴承是否存在故障及故 障的类型。 本发 明采用模型无关与改进的稀 疏降 噪自编码相结合的方法来诊断轴承故障， 不仅能 够提取原始振动信号中的可分性特征， 提高信号 的抗噪声能力， 而且能够提高模型的泛化能力， 从而可准确地诊断多工况下小样本数据的轴承 故障， 保证 机械设备安全运行。 权利要求书1页 说明书5页 附图3页 CN 114444218 A 2022.05.06 CN 114444218 A 1.一种多工况 下小样本滚动轴承故障诊断方法， 其特 征是， 所述方法包括以下步骤： a.将数据采集系统采集到的存在故障的滚动轴承的原始振动信号根据不同工况、 不同 采样频率、 不同故障程度、 不同故障类型进 行分类， 构建成任务集T， 得到由原始振动信号组 成的数据样本矩阵 其中xm表示第m个样本， M表示样本数量， 表示第m个样本的第i个数据， n表示样本的长度； b.将任务集中的数据输入到ISDAE进行重构， 得到保留了原始信号中的有效特征， 并降 低了噪声的重构信号矩阵 c.利用MAML对重构信号进行分类， 训练MAML的模型参数， 获得最优网络模型； d.将数据采集系统采集到的被监测滚动轴承的原始振动信号输入到训练好的MAML模 型， 判断滚动轴承是否存在故障及故障的类型。 2.根据权利要求1所述的一种 多工况下小样本滚动轴 承故障诊断方法， 其特征是， 将任 务集中的数据进行重构的具体过程 为: 在原始振动信号组成的数据样本矩阵X中添加随机噪声， 构成信 号矩阵 在损失函数 中加入概率分布度量MMD(X,Y)和稀 疏惩罚项 β 表示惩罚系数， ρ 表示稀 疏参数， 表示第j个隐藏单元的激活值， 其等于稀疏参数， s表示隐藏单元的个数， KL(.)用来测量ρ 和 之间的相对熵， 得到IS DAE的损失函数： 式中： 通过迭代的方式， 最小化损失函数JISDAE， 从而得到重构信号矩阵 3.根据权利要求1或2所述的一种多工况下小样本滚动轴承故障诊断方法， 其特征是， 利用MAML对重构信号进行分类， 训练MAML的模型参数的具体过程 为： a.从重建后的任务集T中随机采样N类样本， 从每类样本中随机采样K+1个样本， 然后在 每类样本的K+1个样本中随机抽取K个样本组成训练集， 每类样本剩下的一个样本组成测试 集； b.搭建MAML模型； c.元学习过程： 从训练集中每一类随机选取一个样本， 构成一组训练数据输入到MAML 模型进行训练， 对MAML模型的参数进行 更新； d.重复步骤c， 通过多次迭代更新MAML的参数获得最优网络模型， 然后从测试集中随机 抽取一个样本， 用已经训练好的MAML判断滚动轴承故障的类型， 完成对MAML模型的测试。 4.根据权利要求3所述的一种 多工况下小样本滚动轴 承故障诊断方法， 其特征是， 所述 MAML模型包括四组模块， 每组模块由3 ×3的卷积核、 批量正则化层、 ReLU激活函数层、 2 ×2 的最大池化层和64个输出 单元组成。权　利　要　求　书 1/1 页 2 CN 114444218 A 2一种多工况下 小样本滚动轴承故障诊断方 法 技术领域 [0001]本发明涉及一种模型无关的元学习(model ‑agnostic meta‑learning,MAML)与改 进的稀 疏降噪自编码(i mproved sparse denosing autoencoder,ISDA E)相结合的多工 况 下小样本滚  动轴承故障诊断方法， 属于诊断技 术领域。 背景技术 [0002]滚动轴承是旋转机械 的关键部件之一， 被广泛应用于现代大型机械设备中。 据统 计， 在 使用滚动轴承的旋转机械中， 大约有30％的机械故障都是由于轴承引起的。 近年来， 基于深 度学习的滚动轴承智能故障诊断方法层出不穷， 为监测机械设备安全运行提供了 有力的工具。  但随着轴承加工精度、 材料性能的不断提高， 轴承使用寿命不断延 长， 而且当 检测到轴承发  生损坏时就会被及时更换掉， 导致无法获得充足的轴承故障数据。 由于深度 学习模型 的训练 需要以大量数据作为研究对 象， 无法获得充足的轴承故障数据就会使得 模型的训练陷入困境，  导致深度学习模型的泛化能力更加有限， 识别精度难以提高。 此外， 滚动轴承运行的环境通  常情况下是时变的， 而且故障状况繁杂， 不同的采样频率、 不同的 故障程度、 不同的故障位  置、 不同的故障类型、 不同的故障尺寸等等， 导致提取显性可分的 深度特征十分困难， 加大  了轴承故障智能诊断的难度。 因此， 如何有效利用小样本数据诊 断多工况 下滚动轴承故障就  显得异常重要。 发明内容 [0003]本发明的目的在于针对现有技术之弊端， 提供一种多工况下小样本滚动轴承故障 诊断方 法， 以准确诊断滚动轴承故障， 保证机 械设备安全运行。 [0004]本发明所述问题是以下述 技术方案解决的： [0005]一种多工况 下小样本滚动轴承故障诊断方法， 所述方法包括以下步骤： [0006]a.将数据 采集系统采集到的存在故障的滚动轴承的原始振动信号根据不同工况、 不同采 样频率、 不同故障程度、 不同故障类型进行分类， 构建成任务集T， 得到由原始振动 信号组 成的数据样本矩阵 其中xm表示第m个样本， M表示样本 数量，  表示第m个样本的第i个数据， n表示样本的长度； [0007]b.将任务集中的数据输入到ISDAE进行重构， 得到保留了原始信号中的有效特征， 并降 低了噪声的重构信号矩阵 [0008]c.利用MAML对重构信号进行分类， 训练MAML的模型参数， 获得最优网络模型； [0009]d.将数据采集系统采集到的被监测滚动轴承的原始振动信号输入到训练好的 MAML模型，  判断滚动轴承是否存在故障及故障的类型。 [0010]上述多工况下小样本滚动轴承故障诊断方法， 将任务集中的数据进行重构的具体 过程 为: [0011]在原始振动信号组成的数据样本矩阵X中添加随机噪声， 构成信号矩阵 在损失说　明　书 1/5 页 3 CN 114444218 A 3