基于時頻特征融合和關系網絡的少樣本軸承故障診斷方法研究

摘 要：針對滾動軸承故障樣本不足和特征信息獲取不全面導致故障診斷準確率低的問題，提出了一種基于時頻特征融合和關系網絡的少樣本故障診斷方法。該方法結合元學習的訓練策略，首先設計了一個特征提取模塊，用于獲取滾動軸承振動信號的時頻域信息并進行融合，以此加強獲取特征的全面性;其次使用關系網絡的度量模塊計算支持樣本和查詢樣本的相似得分，最終實現故障診斷。實驗結果表明，在CWRU數據集的跨工況場景下，本方法展現出了優異的性能，故障診斷準確率最高可達99.82%，并有效驗證了特征提取模塊的有效性，顯著提升了滾動軸承故障診斷的準確性和可靠性。

關鍵詞：少樣本學習;故障診斷;關系網絡;特征融合;滾動軸承

中圖分類號：TP391 文獻標志碼：A

0 引言（Introduction）

滾動軸承作為機械裝備的關鍵部件，其狀態的穩定與否直接影響裝備運行安全性和可靠性的高低[1]，因此開發高效智能的滾動軸承故障診斷方法顯得尤為重要。智能故障診斷技術，能夠快速且準確地檢測軸承的異常情況，進而幫助維修人員及時采取維護措施，從而確保裝備的安全運行[2]。大部分基于深度學習的故障診斷方法必須經過大量數據的訓練，才能夠達到預期的準確率，但在實際情況下，機械設備通常處于正常運行狀態，故障數據稀缺，極大地限制了深度學習模型的性能。少樣本學習的方法為解決上述問題提供了一條有效的思路，但大多數少樣本學習的方法僅使用時域信息或頻域信息的一種，沒有充分利用振動信號中豐富的信息。為克服這一局限，本文設計了一種基于時頻特征融合和關系網絡的少樣本故障診斷方法，提升了故障診斷的精確度，有效應對樣本稀缺帶來的挑戰。

1 相關工作（Related work）

軸承故障診斷技術已涵蓋多種從原始信號中提取故障信息的信號處理方法，例如快速傅里葉變換[3]、短時傅里葉變換[4]、小波變換[5]等，然而這些方法需要大量的人工干預，難以滿足當前自動化裝備對于診斷準確性及效率的高要求。近年來，深度學習在故障診斷領域的應用取得了實質性的進展，其可以方便、高效、端到端地實現準確的故障診斷，但大多數深度學習方法的成功實施，需要大量標記的訓練數據和昂貴的計算資源支撐模型的訓練，直至可以達到預期目標的網絡[6]，嚴重限制了其在軸承故障診斷中的應用潛力。當前，深度學習在軸承故障診斷應用中面臨一系列挑戰，例如在真實的設備運行環境下，收集到足夠數量的軸承故障數據集比較困難，需要進行故障診斷的設備的運行環境可能比較特殊，以及采集數據需要依賴大量的傳感器，數據采集后還需要采取人工方式對其進行正確標注。