小样本下基于原型域增强的Meta-DAE故障诊断

doi:10.12141/j.issn.1000-565X.230715

摘要/Abstract

摘要：

滚动轴承作为一种精密的机械元件，已广泛运用于现代工业机械设备中。在轴承运行时，采用合理的方法诊断轴承的故障具有重大的意义。但在实际复杂多变环境下，采集振动信号不仅面临样本量少的问题，还受到噪声干扰、工况变换等因素的影响，导致故障诊断的准确率低。因此，针对噪声干扰和变工况下的小样本滚动轴承故障诊断问题，该文提出了一种基于原型域增强的元学习去噪模型（Meta-DAE）。首先，构造基于时频图的小样本故障样本集，引入深度卷积生成对抗网络并对数据进行预处理，生成相似分布的伪样本集；然后，将故障样本集输入Meta-DAE模型进行自适应特征提取，Meta-DAE模型采用原型域增强策略，使同类别原型点在嵌入空间中凝聚更紧密；同时，构建了具有降噪性能的编码器，设计了基于原型域增强和去噪的目标函数，通过在小样本下进行模型微调，以提高小样本下模型的噪声鲁棒性和分类准确率。噪声及变工况下小样本故障诊断实验结果表明，相比于其他模型，所提模型在-8 dB强噪声干扰下，仅用10个样本微调模型，分类准确率提高了35.78~57.25个百分点，具有较强的噪声鲁棒性。

关键词: 小样本, 故障诊断, 元学习, 原型域增强, 去噪自编码器

Abstract:

Rolling bearings, as a type of precision mechanical component, are widely used in modern industrial machinery and equipment. It is of great significance to diagnose bearing faults using reasonable methods during bea-ring operation. However, in the actual complex and ever-changing environment, the collection of vibration signals often faces challenges such as limited sample sizes, noise interference, and operating condition variations, resulting in low fault diagnosis accuracy. To address the problem of small-sample rolling bearing fault diagnosis under noise interference and variable operating conditions, this paper proposed a meta-learning denoising model based on prototype domain enhancement (Meta-DAE). Firstly, a small-sample fault dataset based on time-frequency diagrams was constructed, and a deep convolutional generative adversarial network was introduced for data preprocessing to gene-rate a pseudo-sample set with a similar distribution. Then, the fault sample set was input into Meta-DAE for adaptive feature extraction. Meta-DAE adopts a prototype domain enhancement strategy to make prototype points of the same category more closely clustered in the embedding space. At the same time, an encoder with noise reduction performance was constructed, and a target function based on prototype domain enhancement and denoising was designed. By fine-tuning the model under small-sample conditions, the noise robustness and classification accuracy of the model were improved. Experimental results of small-sample fault diagnosis under noise interference and variable operating conditions show that, compared to other models, the proposed model demonstrates strong noise robustness. Under -8 dB strong noise interference, the model achieves a classification accuracy improvement of 35.78% to 57.25% using only 10 samples for fine-tuning.

Key words: few-shot, fault diagnosis, meta learning, prototype domain enhancement, denoising autoencoder

中图分类号:

TH165.3

马萍, 梁城, 王聪, 李新凯, 张宏立. 小样本下基于原型域增强的Meta-DAE故障诊断[J]. 华南理工大学学报(自然科学版), 2025, 53(1): 62-73.

MA Ping, LIANG Cheng, WANG Cong, LI Xinkai, ZHANG Hongli. Meta-DAE Fault Diagnosis Based on Prototype Domain Enhancement in Few-Shot[J]. Journal of South China University of Technology(Natural Science Edition), 2025, 53(1): 62-73.

图/表 20

图1

图2

表1

图3

图4

表2

图5

表3

表4

表5

Meta-DAE模型在不同原型域增强因子下的分类准确率"

$η$	10类-1样本划分策略下的分类准确率/%			10类-5样本划分策略下的分类准确率/%
$η$	样本数为10	样本数为20	样本数为30	样本数为10	样本数为20	样本数为30
0.0	94.56	98.82	99.30	97.56	99.16	99.56
0.2	97.25	99.25	99.73	98.86	99.31	99.76
0.4	98.67	99.55	99.76	99.16	99.37	99.89
0.6	99.16	99.67	99.83	99.64	99.87	99.98
0.8	99.12	99.42	99.86	99.38	99.64	99.92
1.0	98.07	99.25	99.68	99.12	99.52	99.86

表5

图6

表6

图7

图8

表7

图9

表8

表9

表10

表11

参考文献 26

1	HU X S， ZHANG K， LIU K L，et al ．Advanced fault diagnosis for lithium-ion battery systems：a review of fault mechanisms，fault features，and diagnosis procedures［J］．IEEE Industrial Electronics Magazine，2020，14（3）：65-91.
2	KANKAR P K， SHARMA S C， HARSHA S P ．Fault diagnosis of ball bearings using machine learning methods［J］．Expert Systems with Applications，2011，38（3）：1876-1886.
3	LEI Y G， YANG B， JIANG X W，et al ．Applications of machine learning to machine fault diagnosis：a review and roadmap［J］．Mechanical Systems and Signal Processing，2020，138：106587/1-39.
4	FENG Y， CHEN J L， XIE J S，et al ．Meta-learning as a promising approach for few-shot cross-domain fault diagnosis：algorithms，applications，and prospects［J］．Knowledge-Based Systems，2022，235：107646/1-27.
5	HOANG D T， KANG J ．A survey on deep learning based bearing fault diagnosis［J］．Neurocomputing，2019，335：327-335.
6	JIA F， LEI Y， GUO L，et al ．A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines［J］．Neurocomputing，2018，272：619-628.
7	WEN L， LI X Y， GAO L，et al ．A new convolutional neural network-based data-driven fault diagnosis method［J］．IEEE Transactions on Industrial Electronics，2017，65（7）：5990-5998.
8	ZHANG W， PENF G L， LI C H，et al ．A new deep learning model for fault diagnosis with good anti-noise and domain adaptation ability on raw vibration signals［J］．Sensors，2017，17（2）：425/1-21.
9	ZHAO M H， ZHONG S S， FU X Y，et al ．Deep residual shrinkage networks for fault diagnosis［J］．IEEE Transactions on Industrial Informatics，2019，16（7）：4681-4690.
10	万若青，张纯，江汇强，等．基于深度自编码器的振动信号盲去噪方法［J］．振动与冲击，2023，42（12）：118-125.
	WAN Ruoqing， ZHANG Chun， JIANG Huiqiang，et al ．A blind denoising method of vibration signals based on a deep autoencoder［J］．Journal of Vibration and Shock，2023，42（12）：118-125.
11	DONG Y J， LI Y Q， ZHENG H L，et al ．A new dynamic model and transfer learning based intelligent fault diagnosis framework for rolling element bearings race faults：solving the small sample problem［J］．ISA Transactions，2022，121：327-348.
12	刘飞，陈仁文，邢凯玲，等．基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法［J］．振动与冲击，2022，41（3）：154-164.
	LIU Fei， CHEN Renwen， XING Kailing，et al ．Fast fault diagnosis algorithm for rolling bearings based on transfer learning and deep residual network［J］．Journal of Vibration and Shock，2022，41（3）：154-164.
13	CHEN H， LIU R N， XIE Z X，et al ．Majorities help minorities：hierarchical structure guided transfer lear-ning for few-shot fault recognition［J］．Pattern Recognition，2022，123：108383/1-15.
14	ZHANG T C， CHEN J L， HE S L，et al ．Prior knowledge-augmented self-supervised feature learning for few-shot intelligent fault diagnosis of machines［J］．IEEE Transactions on Industrial Electronics，2022，69（10）：10573-10584.
15	强睿儒，赵小强．基于格拉姆角差场和生成对抗网络的小样本滚动轴承故障诊断方法［J］．华南理工大学学报（自然科学版），2024，52（10）：64-75.
	QIANG Ruiru， ZHAO Xiaoqiang.Fault diagnosis method for rolling bearings based on Gram angular field and generative adversarial networks［J］．Journal of South China University of Tchnology（Natural Science Edition），2024，52（10）：64-75.
16	胡若晖，张敏，许文鑫．基于DCGAN和DANN网络的滚动轴承跨域故障诊断［J］．振动与冲击，2022，41（6）：21-29.
	HU Ruohui， ZHANG Min， XU Wenxin ．Cross-domain fault diagnosis of rolling element bearings using DCGAN and DANN［J］．Journal of Vibration and Shock，2022，41（6）：21-29.
17	LEI T Y， HU H H， LUO Q Y，et al ．Adaptive meta-learner via gradient similarity for few-shot text classification［EB/OL］．（2022-09-10）［2023-06-20］．.
18	CHEN Y D， GUAN C Y， WEI Z K，et al ．Meta-Delta：a meta-learning system for few-shot image cla-ssification［J］．Proceedings of Machine Learning Research，2021，140：17-28.
19	HOSPEDALES T， ANTREAS A， MICAELL P，et al ．Meta-learning in neural networks：a survey［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2021，44（9）：5149-5169.
20	LI C J， LI S B， ZHANG A S，et al ．Meta-learning for few-shot bearing fault diagnosis under complex working conditions［J］．Neurocomputing，2021，439：197-211.
21	WANG D， ZHANG M， XU Y C，et al ．Metric-based meta-learning model for few-shot fault diagnosis under multiple limited data conditions［J］．Mechanical Systems and Signal Processing，2021，155：107510/1-15.
22	FENG Y， CHEN J L， ZHANG T C，et al ．Semi-supervised meta-learning networks with squeeze-and-excitation attention for few-shot fault diagnosis［J］．ISA Transactions，2022，120：383-401.
23	YAN R Q， GAO R X， CHEN X F ．Wavelets for fault diagnosis of rotary machines：a review with applications ［J］．Signal Processing，2014，96：1-15.
24	RADFORD A， METZ L， CHINTALA S ．Unsupervised representation learning with deep convolutional generative adversarial networks［EB/OL］．（2015-11-19）［2023-06-20］．.
25	SNELL J， SWERSKY K， ZEMEL R ．Prototypical networks for few-shot learning［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems．Long Beach：ACM，2017：4080-4090.
26	SAUFI S R， AHMAD Z A B， LEONG M S，et al ．Gearbox fault diagnosis using a deep learning model with limited data sample［J］．IEEE Transactions on Industrial Informatics，2020，16（10）：6263-6271.

模型	网络层	操作	激活函数
生成器	Input（1，100）
	T-Conv2d（100，512）	BN	ReLU
	T-Conv2d（512，256）	BN	ReLU
	T-Conv2d（256，128）	BN	ReLU
	T-Conv2d（128，64）	BN	ReLU
	T-Conv2d（64，3）	BN	ReLU
判别器	Conv2d（3，64）		LeakyReLU
	Conv2d（64，128）	BN	LeakyReLU
	Conv2d（128，256）	BN	LeakyReLU
	Conv2d（256，512）	BN	LeakyReLU
	Conv2d（512，1）		Sigmoid

模型	网络层	操作	激活函数
编码器	Conv2d（3，32）	BN
	Conv2d（32，64）	BN Maxpool	ReLU
	Conv2d（64，64）	BN	ReLU
	Conv2d（64，64）	BN	ReLU
	Conv2d（64，128）	BN	ReLU
	Conv2d（128，128）	BN Maxpool	ReLU
解码器	T-Conv2d（128，128）	BN	ReLU
	T-Conv2d（128，64）	BN	ReLU
	T-Conv2d（64，64）	BN	ReLU
	T-Conv2d（64，32）	BN	ReLU
	T-Conv2d（32，16）	BN	ReLU
	T-Conv2d（16，3）		Sigmoid

轴承状态	故障尺寸/mm	标签号
正常NC	0.000 0	0
IF	0.177 8	1
	0.355 6	2
	0.553 4	3
OF	0.177 8	4
	0.355 6	5
	0.553 4	6
RF	0.177 8	7
	0.355 6	8
	0.553 4	9

工况	数据集	样本数
工况	数据集	NC	IF-7	IF-14	IF-21	OF-7	OF-14	OF-21	RF-7	RF-14	RF-21
A	训练集	90	90	90	90	90	90	90	90	90	90
A	测试数	210	210	210	210	210	210	210	210	210	210
B	训练集	90	90	90	90	90	90	90	90	90	90
B	测试集	210	210	210	210	210	210	210	210	210	210
C	训练集	90	90	90	90	90	90	90	90	90	90
C	测试集	210	210	210	210	210	210	210	210	210	210
D	训练集	90	90	90	90	90	90	90	90	90	90
D	测试集	210	210	210	210	210	210	210	210	210	210

样本数	模型	分类准确率/%
样本数	模型	无噪声	噪声γ = 0 dB	噪声γ = -4 dB	噪声γ = -8 dB
10	ResNet	90.79	71.78	58.79	39.87
	LeNet	89.43	79.11	62.89	23.22
	ProtoNet	97.67	74.40	65.42	38.95
	LeNet-ProtNet	93.36	48.26	41.80	22.20
	ResNet-ProtoNet	96.20	72.14	35.40	18.40
	Meta-DAE	99.66	88.67	74.25	75.65
20	ResNet	96.62	81.86	70.36	48.38
	LeNet	94.36	81.75	67.13	41.25
	ProtoNet	98.92	82.36	68.22	45.11
	LeNet-ProtNet	96.54	62.20	65.33	21.80
	ResNet-ProtoNet	98.89	84.42	63.00	20.60
	Meta-DAE	99.87	92.60	81.50	83.16
30	ResNet	98.56	85.21	74.39	58.42
	LeNet	97.58	84.79	72.78	46.33
	ProtoNet	99.42	85.82	71.34	56.78
	LeNet-ProtNet	98.72	71.45	69.26	26.13
	ResNet-ProtoNet	99.64	87.52	68.93	24.32
	Meta-DAE	99.98	93.25	82.45	85.67