(19)國家知識產(chǎn)權(quán)局(12)發(fā)明專利何哲文何青型研究.系統(tǒng)工程與電子技術(shù).2021,第43卷(第9期),2678-2687.審查員李穎一種基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方本發(fā)明公開一種基于增量學(xué)習(xí)的電機(jī)軸承樣本的權(quán)重，以訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)為初始條正后的權(quán)重用于計(jì)算模型微調(diào)過程中的損失函21.一種基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，步驟包括：在模型訓(xùn)練階段，分別采集不同類型電機(jī)軸承在不同狀態(tài)下的運(yùn)行數(shù)據(jù)以及不同類型電機(jī)軸承在不同狀態(tài)下的域數(shù)據(jù)構(gòu)成訓(xùn)練樣本集，基于深度學(xué)習(xí)網(wǎng)絡(luò)使用所述訓(xùn)練樣本集進(jìn)行故障診斷模型訓(xùn)練，并篩選出當(dāng)前故障診斷模型下的代表性樣本，輸出篩選出的代表性樣本以及訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)；在增量學(xué)習(xí)階段，當(dāng)有新增電機(jī)軸承數(shù)據(jù)樣本輸入時(shí)，判斷新增樣本是否屬于新增的故障類別或者新增的域數(shù)據(jù)，根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重，得到修正后權(quán)重，以所述訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)為初始條件，將代表性樣本、新增樣本以及所述修正后的權(quán)重輸入至訓(xùn)練得到的故障診斷模型中以進(jìn)行模型微調(diào)，其中所述修正后權(quán)重用于計(jì)算模型微調(diào)過程中的損失函數(shù)，所述代表性樣本、新增樣本作為微調(diào)數(shù)據(jù)；在故障診斷階段，將待診斷數(shù)據(jù)輸入至經(jīng)過所述增量學(xué)習(xí)階段后最終得到的故障診斷采用基于最優(yōu)次優(yōu)距離的方法篩選出所述代表性樣本，步驟包括：計(jì)算各樣本概率估差異值xBySB,從同一類別標(biāo)簽和同一域輔助標(biāo)簽的樣本中篩選出所述概率差異值xBySB最高的前多個(gè)樣本作為當(dāng)前故障診斷模型下的所述代表性樣本；所述根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重時(shí)，如果只增加了樣本數(shù)量、未新增類別和域，即c?≤C且d?≤D,示當(dāng)前代表性樣本中包含的類別標(biāo)簽數(shù)目，D表示當(dāng)前代表性樣本中包含的域輔助標(biāo)簽數(shù)目，N為代表性樣本的任一類別c且域輔助標(biāo)簽為d2.根據(jù)權(quán)利要求1所述的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，所述運(yùn)行數(shù)據(jù)包括振動(dòng)加速度信號，所述域數(shù)據(jù)包括運(yùn)行工況、軸承型號，所述運(yùn)行工況包括轉(zhuǎn)速以及負(fù)載、負(fù)載轉(zhuǎn)矩中任意一種或兩種以上，所述狀態(tài)包括正常狀態(tài)以及不同故障程度的故障狀態(tài)，所述故障狀態(tài)包括內(nèi)圈故障、外圈故障、滾動(dòng)體故障、保持架故障狀態(tài)中任意多種，由故障狀態(tài)與故障程度組合形成所述故障類別。3.根據(jù)權(quán)利要求1所述的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，當(dāng)采集到電機(jī)軸承的運(yùn)行數(shù)據(jù)和/或輸入新增樣本時(shí)，還包括對數(shù)據(jù)進(jìn)行預(yù)處理步驟，所述對數(shù)據(jù)進(jìn)行預(yù)處理步驟包括：將運(yùn)行數(shù)據(jù)從時(shí)域信號轉(zhuǎn)換至頻域，對轉(zhuǎn)換后的各數(shù)據(jù)點(diǎn)和域數(shù)據(jù)分別進(jìn)行歸一化處理，并對各個(gè)數(shù)據(jù)點(diǎn)設(shè)置類別標(biāo)簽以及域輔助標(biāo)簽，所述類別標(biāo)簽用于標(biāo)記各個(gè)數(shù)據(jù)點(diǎn)的類別，所述域輔助標(biāo)簽用于標(biāo)記各個(gè)數(shù)據(jù)點(diǎn)所屬的域。4.根據(jù)權(quán)利要求1所述的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，所述故障診斷模型使用基于堆疊自動(dòng)編碼器的深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練得到，所述深度學(xué)習(xí)網(wǎng)絡(luò)包括輸入層x、多個(gè)隱含層以及輸出層L,其中上一層自動(dòng)編碼器經(jīng)預(yù)訓(xùn)練后得到的隱含層作為下一層的輸入，在預(yù)訓(xùn)練過程中通過逐層訓(xùn)練得到多個(gè)隱含層，然后利用部分帶標(biāo)簽的數(shù)據(jù)3通過反向傳播算法微調(diào)各層參數(shù)完成所述深度學(xué)習(xí)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建。5.根據(jù)權(quán)利要求4所述的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，所述輸入層x的維度為N+3,N為二分之一的采樣點(diǎn)數(shù)，所述輸出層L的維度為K,其中K>C,C為當(dāng)前數(shù)據(jù)中所包含的故障類別數(shù)目。6.根據(jù)權(quán)利要求1~5中任意一項(xiàng)所述的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法，其特征在于，所述損失函數(shù)的計(jì)算表達(dá)式為：其中，Je表示損失函數(shù)，Ntota表示代表性樣本和新增樣本的總樣本數(shù)目，I{·}是指示函數(shù)，y;表示第i個(gè)樣本的分類結(jié)果，k為實(shí)際的標(biāo)簽，K為輸出層L的維度，其中若分類結(jié)果與實(shí)際的標(biāo)簽相同，即y=k,則I{·}為1,否則為0;x1為第i個(gè)樣本，p(x1)表示第i個(gè)樣本屬于每示各標(biāo)志位的數(shù)值，各標(biāo)志位的數(shù)值m=1表示該類別已出現(xiàn)，各標(biāo)志位的數(shù)值m=0則表示該類別還未出現(xiàn)。7.一種基于增量學(xué)習(xí)的電機(jī)軸承故障診斷裝置，其特征在于，包括：模型訓(xùn)練模塊，用于在模型訓(xùn)練階段，分別采集不同類型電機(jī)軸承在不同狀態(tài)下的運(yùn)行數(shù)據(jù)以及不同類型電機(jī)軸承在不同狀態(tài)下的域數(shù)據(jù)構(gòu)成訓(xùn)練樣本集，基于深度學(xué)習(xí)網(wǎng)絡(luò)使用所述訓(xùn)練樣本集進(jìn)行故障診斷模型訓(xùn)練，并篩選出當(dāng)前故障診斷模型下的代表性樣本，輸出篩選出的代表性樣本以及訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)；增量學(xué)習(xí)模塊，用于在增量學(xué)習(xí)階段，當(dāng)有新增電機(jī)軸承數(shù)據(jù)樣本輸入時(shí)，判斷新增樣本是否屬于新增的故障類別或者新增的域數(shù)據(jù)，根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重，得到修正后權(quán)重，以所述訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)為初始條件，將代表性樣本、新增樣本以及所述修正后的權(quán)重輸入至訓(xùn)練得到的故障診斷模型中以進(jìn)行模型微調(diào)，其中修正后權(quán)重用于計(jì)算模型微調(diào)過程中的損失函數(shù)，所述代表性樣本、新增樣本作為微調(diào)數(shù)據(jù)；故障診斷模塊，用于控制在故障診斷階段，將待診斷數(shù)據(jù)輸入至經(jīng)過所述增量學(xué)習(xí)階段后最終得到的故障診斷模型中進(jìn)行診斷，輸出診斷結(jié)果；所述模型訓(xùn)練模塊中，采用基于最優(yōu)次優(yōu)距離的方法篩選出所述代表性樣本，步驟包括：計(jì)算各樣本概率估計(jì)的最高值pBest和次高值psecondBest,并計(jì)算所述最高值pBest和次高值PsecondBest之間的概率差異值xBySB,從同一類別標(biāo)簽和同一域輔助標(biāo)簽的樣本中篩選出所述概率差異值xByS最高的前多個(gè)樣本作為當(dāng)前故障診斷模型下的所述代表性樣本；所述根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重時(shí)，如果只增加了樣本數(shù)量、未新增類別和域，即c?≤C且d?≤D,則將N?個(gè)新增樣本的權(quán)重λ修正為N?/N?,代表性樣本的權(quán)重λ為1;如果新增了類別、未新增域，即c?>C且d?≤D,則這N?個(gè)新增樣本的權(quán)重λ修正為aN./N?,α>1,代表性樣本的權(quán)重λ為1,如果新增了域、未新增類別，即c?≤C且d?>D,則將N?個(gè)新增樣本的權(quán)重λ修正為βN./N?,β>1,代表性樣本的權(quán)重λ為1,其中c?為新示當(dāng)前代表性樣本中包含的類別標(biāo)簽數(shù)目，D表示當(dāng)前代表性樣本中包含的域輔助標(biāo)簽數(shù)目，N為代表性樣本的任一類別c且域輔助標(biāo)簽為d的樣本數(shù)量。48.一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)程序執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1～6中任意一項(xiàng)所述的方法。5一種基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法及裝置技術(shù)領(lǐng)域[0001]本發(fā)明涉及電機(jī)故障診斷技術(shù)領(lǐng)域，尤其涉及一種基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法及裝置。背景技術(shù)[0002]電機(jī)軸承故障包括多種故障類型，例如內(nèi)圈故障、外圈故障、滾動(dòng)體故障、保持架故障等，且根據(jù)故障尺寸還會(huì)涉及不同的故障程度。電機(jī)軸承故障診斷即是要通過檢測以及數(shù)據(jù)處理，自動(dòng)診斷出電機(jī)軸承是否存在故障。基于深度學(xué)習(xí)的電機(jī)軸承故障診斷方法能夠獲得高精度的診斷效果，但是該類方法主要依賴于足量的訓(xùn)練數(shù)據(jù)以及訓(xùn)練集和測試集數(shù)據(jù)滿足分布相同假設(shè)，而在實(shí)際應(yīng)用中，電機(jī)軸承多運(yùn)行于正常狀態(tài)，故障數(shù)據(jù)的獲取不易，很可能是分階段、分批次獲取的，并且電機(jī)軸承型號和工況的差異都會(huì)導(dǎo)致數(shù)據(jù)分布差異，上述因素都會(huì)導(dǎo)致最終的診斷效果受限。若利用原數(shù)據(jù)和新數(shù)據(jù)進(jìn)行完全的重新訓(xùn)練，又會(huì)造成對計(jì)算和存儲(chǔ)資源的消耗問題。[0003]增量學(xué)習(xí)式的模型訓(xùn)練方式可以解決上述數(shù)據(jù)逐步獲取時(shí)模型的漸進(jìn)訓(xùn)練問題。增量學(xué)習(xí)方式即是通過將數(shù)據(jù)以流式獲取，當(dāng)出現(xiàn)新數(shù)據(jù)時(shí)，再從新數(shù)據(jù)中學(xué)習(xí)知識的同時(shí)，保留已經(jīng)學(xué)習(xí)到的知識，以避免完全重新訓(xùn)練所帶來的資源浪費(fèi)。但是現(xiàn)有技術(shù)中利用增量學(xué)習(xí)方式實(shí)現(xiàn)設(shè)備故障診斷時(shí)，通常是直接將新增樣本與代表性樣本作為整體進(jìn)行訓(xùn)練，且僅關(guān)注識別設(shè)備的故障類別，也即為類增量問題(新增樣本是否是新的故障類別),當(dāng)應(yīng)用于實(shí)現(xiàn)電機(jī)軸承故障診斷時(shí)會(huì)存在以下問題：[0004]1、在電機(jī)軸承故障診斷中，電機(jī)軸承型號和運(yùn)行工況等差異都會(huì)導(dǎo)致故障特征的改變，也即雖然故障類別相同，不同的域數(shù)據(jù)會(huì)展示出不同的特征，傳統(tǒng)增量學(xué)習(xí)方式僅關(guān)注類增量問題，無法滿足電機(jī)軸承故障診斷中域增量的需求。域增量是指新增樣本是否涉及新的域，即與原有訓(xùn)練數(shù)據(jù)不同工況或不同軸承類型的數(shù)據(jù)，由于域增量數(shù)據(jù)的存在會(huì)導(dǎo)致最終診斷模型的失效，影響故障診斷的精度。[0005]2、由于在增量學(xué)習(xí)中是直接將代表性樣本和新增樣本作為整體進(jìn)行訓(xùn)練，當(dāng)兩者樣本數(shù)量相差較大時(shí)，會(huì)導(dǎo)致訓(xùn)練的模型不能很好的表征樣本量少的一方的特征，致使影響模型精度。而現(xiàn)有技術(shù)中常用的過采樣少數(shù)類、欠采樣多數(shù)類或者兩者相結(jié)合的方式，又容易導(dǎo)致過擬合或信息丟失的問題，傳統(tǒng)基于生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)生成方法則會(huì)存在訓(xùn)練難度大、收斂性不易保證等的問題。[0006]綜上，現(xiàn)有技術(shù)中利用增量學(xué)習(xí)實(shí)現(xiàn)電機(jī)軸承故障診斷的方案中，就無法兼顧診發(fā)明內(nèi)容[0007]本發(fā)明要解決的技術(shù)問題就在于：針對現(xiàn)有技術(shù)存在的技術(shù)問題，本發(fā)明提供一種實(shí)現(xiàn)方法簡單、成本低、診斷精度以及效率高且應(yīng)用范圍廣的基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法及裝置。6[0015]進(jìn)一步的，所述故障診斷模型使用基于堆疊自動(dòng)編碼器的深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練得訓(xùn)練后得到的隱含層作為下一層的輸入，在預(yù)訓(xùn)練過程中通過逐層訓(xùn)練得到多個(gè)隱含層，然后利用部分帶標(biāo)簽的數(shù)據(jù)通過反向傳播算法微調(diào)各層參數(shù)完成所述深度學(xué)習(xí)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建。7值m=0則表示該類別還未出現(xiàn)。[0020]進(jìn)一步的，所述步驟S01中，采用基于最優(yōu)次優(yōu)距離的方法篩選出所述代表性樣本，步驟包括：計(jì)算各樣本概率估計(jì)的最高值pBest和次高值PsecondBest,并計(jì)算所述最高值中篩選出所述概率差異值xBSB最高的前多個(gè)樣本作為當(dāng)前故障診斷模型下的所述代表性[0021]進(jìn)一步的，所述根據(jù)判斷結(jié)果修新增樣本的權(quán)重時(shí)，如果只增加了樣本數(shù)量、未新增類別和域，即c?≤C且d?≤D,則將N?個(gè)新增樣本的權(quán)重λ修正為N/N?,代表性樣本的權(quán)重λ輔助標(biāo)簽為d?的新增樣本數(shù)量，α、β為不同的預(yù)設(shè)系數(shù)，C表示當(dāng)前代別標(biāo)簽數(shù)目，D表示當(dāng)前代表性樣本中包含的域輔助標(biāo)簽數(shù)目，N為代表性樣本的任一類別c且域輔助標(biāo)簽為d的樣本數(shù)量。[0023]模型訓(xùn)練模塊，用于在模型訓(xùn)練階段，分別采集不同類型電機(jī)軸承在不同狀態(tài)下的運(yùn)行數(shù)據(jù)以及不同類型電機(jī)軸承在不同狀態(tài)下的域數(shù)據(jù)構(gòu)成訓(xùn)練樣本集，基于深度學(xué)習(xí)網(wǎng)絡(luò)使用所述訓(xùn)練樣本集進(jìn)行故障診斷模型訓(xùn)練，并篩選出當(dāng)前故障診斷模型下的代表性樣本，輸出篩選出的代表性樣本以及訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)；[0024]增量學(xué)習(xí)模塊，用于在增量學(xué)習(xí)階段，當(dāng)有新增電機(jī)軸承數(shù)據(jù)樣本輸入時(shí)，判斷新增樣本是否屬于新增的故障類別或者新增的域數(shù)據(jù)，根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重，得到修正后權(quán)重，以所述訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)為初始條件，將代表性樣本、新增樣本以及所述修正后的權(quán)重輸入至訓(xùn)練得到的故障診斷模型中以進(jìn)行模型微調(diào)，其中修正后權(quán)重用于計(jì)算模型微調(diào)過程中的損失函數(shù)，所述代表[0025]故障診斷模塊，用于在故障診斷階段，將待診斷數(shù)據(jù)輸入至經(jīng)過所述增量學(xué)習(xí)階段后最終得到的故障診斷模型中進(jìn)行診斷，輸出診斷結(jié)果。[0026]一種存儲(chǔ)有計(jì)算機(jī)程序的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)程序執(zhí)行時(shí)實(shí)現(xiàn)如上述的方法。[0028]1、本發(fā)明通過在模型訓(xùn)練階段基于電機(jī)軸承的運(yùn)行數(shù)據(jù)、域數(shù)據(jù)訓(xùn)練出故障診斷模型并篩選出代表性樣本，在增量學(xué)習(xí)階段當(dāng)有新增樣本時(shí)，判斷新增樣本是否屬于新增類別或者新增域，根據(jù)判斷結(jié)果相應(yīng)的修正樣本權(quán)重，然后在模型微調(diào)時(shí)，使用修正后權(quán)重計(jì)算損失函數(shù)，使得不僅可以實(shí)現(xiàn)新增類別的診斷識別，還可以實(shí)現(xiàn)新增域的診斷識別，能夠同時(shí)滿足電機(jī)軸承故障診斷中類增量與域增量的需求，從而可以適用于跨電機(jī)、變工況、多類別的各類故障診斷應(yīng)用中，更符合電機(jī)軸承故障診斷的實(shí)際應(yīng)用需求。[0029]2、本發(fā)明通過在增量學(xué)習(xí)過程中，考慮代表性樣本和新增樣本的數(shù)量問題，通過根據(jù)代表性樣本和新增樣本之間的數(shù)量關(guān)系來進(jìn)行權(quán)重修正，進(jìn)而計(jì)算微調(diào)過程中的損失函數(shù)，使得能夠充分表征代表性樣本以及新增樣本兩者的特征，進(jìn)一步提高故障診斷模型8的精度。[0030]3、本發(fā)明通過采用基于增量學(xué)習(xí)的漸進(jìn)訓(xùn)練的方式形成一個(gè)完備的故障診斷模型，符合電機(jī)軸承的運(yùn)行數(shù)據(jù)是分階段分批次獲取的特性，不僅能夠兼顧診斷精度、可靠性、精度以及成本，還能夠平衡診斷網(wǎng)絡(luò)的穩(wěn)定性和可塑性，且無需復(fù)雜計(jì)算也無需大量的[0031]4、本發(fā)明進(jìn)一步采用基于最優(yōu)次優(yōu)距離進(jìn)行代表性樣本篩選，能夠定量的描述樣本與分類邊界的關(guān)系，且能夠更好的反映各樣本在當(dāng)前診斷模型中的分類效果，從而保證樣本選擇的代表性和準(zhǔn)確性，進(jìn)而能夠進(jìn)一步提高增量訓(xùn)練后的診斷性能。附圖說明[0032]圖1是本實(shí)施例基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法的實(shí)現(xiàn)流程示意圖。[0033]圖2是本實(shí)施例實(shí)現(xiàn)電機(jī)軸承故障診斷的原理示意圖。[0034]圖3是本實(shí)施例實(shí)現(xiàn)電機(jī)軸承故障診斷的詳細(xì)流程示意圖。具體實(shí)施方式[0035]以下結(jié)合說明書附圖和具體優(yōu)選的實(shí)施例對本發(fā)明作進(jìn)一步描述，但并不因此而限制本發(fā)明的保護(hù)范圍。[0036]如圖1所示，本實(shí)施例基于增量學(xué)習(xí)的電機(jī)軸承故障診斷方法的步驟具體包括：[0037]S01.在模型訓(xùn)練階段，分別采集不同類型電機(jī)軸承在不同狀態(tài)下的運(yùn)行數(shù)據(jù)以及不同類型電機(jī)軸承在不同狀態(tài)下的域數(shù)據(jù)構(gòu)成訓(xùn)練樣本集，基于深度學(xué)習(xí)網(wǎng)絡(luò)使用所述訓(xùn)練樣本集進(jìn)行故障診斷模型訓(xùn)練，并篩選出當(dāng)前故障診斷模型下的代表性樣本，輸出篩選出的代表性樣本以及訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)；[0038]S02.在增量學(xué)習(xí)階段，當(dāng)有新增電機(jī)軸承數(shù)據(jù)樣本輸入時(shí)，判斷新增樣本是否屬于新增的故障類別或者新增的域數(shù)據(jù)，根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系修正樣本的權(quán)重，得到修正后權(quán)重，以訓(xùn)練得到的模型網(wǎng)絡(luò)參數(shù)為初始條件，將代表性樣本、新增樣本以及修正后的權(quán)重輸入至訓(xùn)練得到的故障診斷模型中以進(jìn)行模型微調(diào)，其中修正后權(quán)重用于計(jì)算模型微調(diào)過程中的損失函數(shù)，代表性樣本、新增樣本作為微調(diào)數(shù)[0039]S03.在故障診斷階段，將待診斷數(shù)據(jù)輸入至經(jīng)過增量學(xué)習(xí)階段后最終得到的故障診斷模型中進(jìn)行診斷，輸出診斷結(jié)果。[0040]考慮到電機(jī)軸承的振動(dòng)數(shù)據(jù)等運(yùn)行數(shù)據(jù)通常是分階段分批次獲取的，且數(shù)據(jù)存在類別新增(不同的類別)和域新增(不同工況或不同軸承類型)的不同情況，本實(shí)施例通過先在模型訓(xùn)練階段基于電機(jī)軸承的運(yùn)行數(shù)據(jù)、域數(shù)據(jù)訓(xùn)練出故障診斷模型并篩選出代表性樣本，在增量學(xué)習(xí)階段當(dāng)有新增樣本時(shí)，判斷新增樣本是否屬于新增類別或者新增域，根據(jù)判斷結(jié)果以及代表性樣本與新增樣本之間的數(shù)量關(guān)系相應(yīng)的修正樣本權(quán)重，然后在模型微調(diào)時(shí)，使用修正后權(quán)重計(jì)算損失函數(shù)，使得不僅可以實(shí)現(xiàn)新增類別的診斷識別，還可以實(shí)現(xiàn)新增域的診斷識別，同時(shí)滿足電機(jī)軸承故障診斷中類增量與域增量的需求，可以適用于跨電機(jī)、變工況、多類別的各類故障診斷應(yīng)用中，更符合電機(jī)軸承故障診斷的實(shí)際應(yīng)用需求。同時(shí)在增量學(xué)習(xí)過程中，考慮代表性樣本和新增樣本的數(shù)量問題，由于通過根據(jù)代表性樣本9和新增樣本之間的數(shù)量關(guān)系來進(jìn)行權(quán)重修正，進(jìn)而計(jì)算微調(diào)過程中的損失函數(shù)，使得能夠充分表征代表性樣本以及新增樣本兩者的特征，進(jìn)一步提高故障診斷模型的精度。[0041]本實(shí)施例中，步驟SO1中采集的運(yùn)行數(shù)據(jù)具體可以為振動(dòng)加速度信號等，也可以進(jìn)一步引入其他的運(yùn)行信號。域數(shù)據(jù)則包括運(yùn)行工況、電機(jī)軸承型號等信息，其中運(yùn)行工況包括轉(zhuǎn)速、負(fù)載、負(fù)載轉(zhuǎn)矩等。電機(jī)軸承的狀態(tài)則具體包括正常狀態(tài)以及不同故障程度的故障為輕度、中度以及重度等。由軸承故障狀態(tài)與故障程度組合形成故障類別，例如輕度、中度以及重度內(nèi)圈故障。上述各類型信息的具體選取均可以根據(jù)實(shí)際需求確定。[0042]在具體應(yīng)用實(shí)施例中，模型訓(xùn)練階段時(shí)，采集不同類型電機(jī)軸承分別正常狀態(tài)、不同類型故障(內(nèi)圈故障、外圈故障、滾動(dòng)體故障、保持架故障狀態(tài)等)以及不同程度故障狀態(tài)下(輕度、中度以及重度等)的振動(dòng)加速度信號等以表征不同類型電機(jī)軸承不同故障狀態(tài)下的故障特征，同時(shí)采集電機(jī)軸承的運(yùn)行工況(轉(zhuǎn)速、負(fù)載、負(fù)載轉(zhuǎn)矩等)、電機(jī)軸承型號等的信息作為域數(shù)據(jù)，將軸承運(yùn)行數(shù)據(jù)與域數(shù)據(jù)一并進(jìn)行模型訓(xùn)練，以訓(xùn)練得到初步的故障診斷模型。由于引入了振動(dòng)數(shù)據(jù)、電機(jī)工況和軸承型號信息等共同作為特征，能夠充分表征不同類型電機(jī)軸承的故障特征，即能夠表征電機(jī)軸承在不同故障狀態(tài)下的故障特征，還能夠表征不同類型電機(jī)軸承、運(yùn)行工況下故障時(shí)的故障特征，以使得模型能夠同時(shí)實(shí)現(xiàn)類增量、域增量兩種的診斷需求。[0043]本實(shí)施例中，當(dāng)步驟S01采集到電機(jī)軸承的運(yùn)行數(shù)據(jù)、步驟SO2輸入新增樣本時(shí)，還包括對數(shù)據(jù)進(jìn)行預(yù)處理步驟，對數(shù)據(jù)進(jìn)行預(yù)處理步驟包括：將運(yùn)行數(shù)據(jù)從時(shí)域信號轉(zhuǎn)換至頻域，對轉(zhuǎn)換后的各數(shù)據(jù)點(diǎn)和域數(shù)據(jù)進(jìn)行歸一化處理，并對各個(gè)數(shù)據(jù)點(diǎn)設(shè)置類別標(biāo)簽以及域輔助標(biāo)簽，類別標(biāo)簽用于標(biāo)記各個(gè)數(shù)據(jù)點(diǎn)的類別，域輔助標(biāo)簽用于標(biāo)記各個(gè)數(shù)據(jù)點(diǎn)所屬的域。[0044]在具體應(yīng)用實(shí)施例中，以對步驟SO1中采集到的數(shù)據(jù)進(jìn)行預(yù)處理為例，詳細(xì)步驟包[0045]1)對每一故障類別，將采集到的振動(dòng)加速度信號劃分為多個(gè)長度為N?的序列；對每個(gè)序列進(jìn)行快速傅里葉變換，以將時(shí)域信號轉(zhuǎn)換至頻域，其中采樣點(diǎn)數(shù)為2N。[0046]由于傅里葉譜的對稱性，本實(shí)施例只保留經(jīng)過傅里葉變換后前一半的數(shù)據(jù)，即儲(chǔ)[0047]2)將每個(gè)序列所對應(yīng)的轉(zhuǎn)速、負(fù)載、軸承型號作為域數(shù)據(jù)分別儲(chǔ)存為該序列的第N+1,N+2,N+3個(gè)數(shù)據(jù)點(diǎn)。即每個(gè)序列經(jīng)處理后包含N+3個(gè)數(shù)據(jù)點(diǎn)，形成一個(gè)樣本。[0048]3)利用公式(1)將前N個(gè)數(shù)據(jù)點(diǎn)進(jìn)行歸一化處理，以保證新增數(shù)據(jù)與原有數(shù)據(jù)統(tǒng)[0050]其中，x和x'分別是歸一化前、后的值，該步驟中x具體為經(jīng)快速傅里葉變換后的幅值，min(x)和max(x)分別為x的最小值和最大值。最大值與最小值并非由當(dāng)前序列產(chǎn)生，而是在初始訓(xùn)練階段設(shè)置的，后續(xù)新增數(shù)據(jù)都采用相同的最大值與最小值。[0051]4)利用公式(1)分別對第N+1,N+2,N+3個(gè)數(shù)據(jù)點(diǎn)進(jìn)行歸一化處理，該步驟中x分別[0052]5)對每一類別的數(shù)據(jù)都得到多組經(jīng)歸一化后的長度為N+3的樣本。[0053]6)對每個(gè)數(shù)據(jù)點(diǎn)設(shè)置類別標(biāo)簽，同時(shí)根據(jù)第N+1,N+2,N+3個(gè)數(shù)據(jù)點(diǎn)設(shè)置域輔助標(biāo)簽，即相同的第N+1,N+2,N+3數(shù)據(jù)點(diǎn)設(shè)置為相同的域輔助標(biāo)簽。[0054]對預(yù)處理后的訓(xùn)練樣本集基于深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練故障診斷模型，本實(shí)施例中，故障診斷模型具體使用基于堆疊自動(dòng)編碼器的深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練得到，深度學(xué)習(xí)網(wǎng)絡(luò)包括輸入層x、多個(gè)隱含層{h?,h?,…,h}以及輸出層L,其中上一層自動(dòng)編碼器經(jīng)預(yù)訓(xùn)練后得到的隱含層作為下一層的輸入，在最頂層添加Softmax分類器作為輸出層。在預(yù)訓(xùn)練過程中通過逐層訓(xùn)練得到多個(gè)隱含層，然后利用部分帶標(biāo)簽的數(shù)據(jù)通過反向傳播算法微調(diào)各層參數(shù)完成深度學(xué)習(xí)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建。上述輸入層x的維度具體為N+3(經(jīng)預(yù)處理后的數(shù)據(jù)長度),N為二分之一的采樣點(diǎn)數(shù)，輸出層L的維度為K,其中K>C(預(yù)留類增量的能力),C為當(dāng)前數(shù)據(jù)中所包含的故障類別數(shù)目。除首次訓(xùn)練外，后續(xù)增量訓(xùn)練不再重新進(jìn)行預(yù)訓(xùn)練，直接進(jìn)行微調(diào)步驟。保存經(jīng)訓(xùn)練后的診斷網(wǎng)絡(luò)參數(shù)以及代表性樣本，其余參與訓(xùn)練的數(shù)據(jù)不再保存，可以有效降低對存儲(chǔ)空間的需求，當(dāng)采集到新增樣本時(shí)，再按照上述預(yù)處理步驟對新增樣本進(jìn)行預(yù)處理。[0055]本實(shí)施例增量學(xué)習(xí)階段中以保存的診斷網(wǎng)絡(luò)參數(shù)為初始條件，代表性樣本和新增樣本為微調(diào)數(shù)據(jù)，在損失函數(shù)中引入了修正過后的權(quán)重，重復(fù)執(zhí)行模型訓(xùn)練集可完成對當(dāng)前模型的微調(diào)以得到最新的軸承故障診斷網(wǎng)絡(luò)。損失函數(shù)的計(jì)算表達(dá)式具體為：[0057]其中，Je表示損指示函數(shù)，y;表示第i個(gè)樣本的分類結(jié)果，k為實(shí)際的標(biāo)簽，K為輸結(jié)果與實(shí)際的標(biāo)簽相同，即y=k,則I{·}為1,否則為0;x1為第i個(gè)樣本，p(x1)表示第i個(gè)樣本屬于每種標(biāo)簽類型的概率，λ為修正后權(quán)重，M=(m?,m?,…,m)為類別標(biāo)志位，m?、m2…,mk分別表示各標(biāo)志位的數(shù)值，各標(biāo)志位中若m=1表示該類別已出現(xiàn)，m=0則表示該類別還未[0058]本實(shí)施例通過使用上述加權(quán)損失函數(shù)，考慮將代表性樣本與新樣本的數(shù)量，引入修正樣本權(quán)重，并結(jié)合樣本屬于每種標(biāo)簽類型的概率等，能夠進(jìn)一步提高診斷性能，平衡診斷網(wǎng)絡(luò)的穩(wěn)定性和可塑性，還能夠避免過擬合或信息丟失等問題且計(jì)算簡單。[0059]本實(shí)施例步驟S01中，完成診斷模型的訓(xùn)練后，具體采用基于最優(yōu)次優(yōu)距離的方法篩選出代表性樣本，具體步驟包括：計(jì)算各樣本概率估計(jì)x1的最高值pBest(x1)和次高值PsecondBest(x),并計(jì)算最高值pBest(x1)和次高值psecondBest(x)之間的概率差異值×BySB(x1),從同一類別標(biāo)簽和同一域輔助標(biāo)簽的樣本中篩選出概率差異值xByB最高的前多個(gè)樣本作為當(dāng)前故障診斷模型下的代表性樣本。通常采用基于最優(yōu)次優(yōu)距離進(jìn)行代表性樣本篩選，能夠定量的描述樣本與分類邊界的關(guān)系，且能夠更好的反映各樣本在當(dāng)前診斷模型中的分類效果，從而保證樣本選擇的代表性和準(zhǔn)確性，進(jìn)而能夠進(jìn)一步提高增量訓(xùn)練后的診斷性能。[0060]上述計(jì)算概率差異值xByS的表達(dá)式具體為：樣本數(shù)量，C表示當(dāng)前代表性樣本中包含的類別標(biāo)簽數(shù)目，c={1,2,…,C}表示代表性樣本11的任一類別，D表示當(dāng)前代表性樣本中包含的域輔助標(biāo)簽數(shù)目，d={1,2,…,D},N為代表性樣本的任一類別c且域輔助標(biāo)簽為d的樣本數(shù)量，在增量學(xué)習(xí)階段中根據(jù)判斷結(jié)果修正新增樣本的權(quán)重時(shí)，分以下三種情況進(jìn)行修正：[0063](1)如果只增加了樣本數(shù)量、未新增類別和域，即c?≤C且d?≤D,[0067]如圖2、3所示，本實(shí)施例具體在首次訓(xùn)練時(shí)，對采集到的軸承振動(dòng)加速度信號、工況信息以及軸承型號信息進(jìn)行預(yù)處理，構(gòu)成樣本集，采用基于堆疊自動(dòng)編碼器的深度學(xué)習(xí)算法進(jìn)行診斷模型的訓(xùn)練；采用基于最優(yōu)次優(yōu)距離的方法篩選出代表性樣本，并保存該代表性樣本和當(dāng)前狀態(tài)下的診斷模型參數(shù)；當(dāng)采集到新增樣本時(shí)，對該數(shù)據(jù)進(jìn)行預(yù)處理，得到新樣本。根據(jù)新樣本與代表性樣本的關(guān)系，進(jìn)行樣本權(quán)重修正；將新樣本、代表性樣本輸入到已訓(xùn)練好的基于深度學(xué)習(xí)的診斷網(wǎng)絡(luò)中，并在此基礎(chǔ)上進(jìn)行網(wǎng)絡(luò)參數(shù)微調(diào)，其中，在損失函數(shù)中引入修正過后的權(quán)重，微調(diào)過的診斷網(wǎng)絡(luò)即可保留原有知識又能學(xué)習(xí)到新增樣本的知識，利用診斷網(wǎng)