一种基于小样本声音信号的托辊故障诊断方法

摘要

基于深度学习的故障诊断方法对数据集的质量有很高要求,需要大批量数据才能进行良好的模型训练,从而实现准确的故障诊断,而在实际应用中能够采集到的故障信号通常很有限。针对托辊故障声音信号获取困难、样本量少,导致智能故障诊断方法性能受限的问题,提出了一种基于小样本声音信号的托辊故障诊断方法。使用特征转换方法将一维声音信号转换为二维时频图像,将频率域的特征融入进来,以提高数据集对故障特征的表达能力;提出了多种类型时频图结合的数据集扩充方法,将短时傅里叶变换(STFT)、连续小波变换(CWT)、希尔伯特-黄变换(HHT)3种时频分析方法绘制的时频图相结合,以扩充数据集,增加数据样式;引入了深度迁移学习的思想,使用轴承数据集对模型进行预训练,然后使用托辊数据对预训练模型进行微调,以进一步提升模型的识别准确率。实验结果表明:多种类型时频图结合的数据集扩充方法能有效解决使用小样本数据训练模型时易过拟合的问题;使用迁移学习后,模型的测试准确率达98.81%,相较于不使用迁移学习时提升了7%,且没有出现过拟合现象,说明模型训练良好;相较于生成对抗网络扩充STFT时频图数据集+迁移学习的方法,多种类型时频图结合的数据集扩充+迁移学习的方法准确率提高了4%,且更容易实现,可解释性更强。