技术特征：
1.一种旋转机械的故障诊断方法，其特征在于：包括：s1、采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；s2、对有标签的样本构建支撑集s＝{(x1,y1),(x2,y2),...(x
k
,y
k
)}，其中，k为标签种类的数量，代表具有k种故障类型，x
k
表示所有标签为k的样本构成的子集；s3、构建孪生卷积神经网络模型，随机从支撑集的k种轴承故障类型中选取轴承故障类别为q的某一样本和剩余k-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；s4、通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；s5、将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。2.根据权利要求1所述的一种旋转机械的故障诊断方法，其特征在于：所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。3.根据权利要求2所述的一种旋转机械的故障诊断方法，其特征在于：所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：第一层卷积采用32个64
×
1的卷积核；第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3
×
1、7
×
1、11
×
1，卷积核数量都为16个；第三、四、五层卷积分别使用64个大小为6
×
1、10
×
1的卷积核，所有池化操作的大小全部为4
×
1；最后一层卷积特征提取层在bn层后直接接上注意力模块、全局池化操作，输出的特征图为64维。4.根据权利要求1所述的一种旋转机械的故障诊断方法，其特征在于：所述步骤s3的训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：学习；所述原型对比的损失函数由经验损失和正则项损失两部分组成；具体公式如下：其中，l是最终的损失函数，l(y,x,c)为经验损失函数，为正则项损失，λ代表正则项系数，w代表网络权重，n代表输入样本数量，x代表输入样本，y代表实际故障类别标
签，y
i
代表第i对样本是否相同，c
kj
代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；任一类故障的所述样本原型的计算公式描述如下：其中ck代表第k类故障的原型，sk代表第k类故障的样本集，f
θ
(
·
)代表嵌入网络，x
i
代表第k类的第i个样本。5.一种旋转机械的故障诊断装置，其特征在于：包括：样本获取模块，用于采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并进行标准归一化处理，再按照轴承的故障类型进行标签分类，得到有标签的样本；支撑集构建模块，用于对有标签的样本构建支撑集s＝{(x1,y1),(x2,y2),...(x
k
,y
k
)}，其中，k为标签种类的数量，代表具有k种故障类型，x
k
表示所有标签为k的样本构成的子集；特征嵌入网络构建及训练模块，用于构建孪生卷积神经网络模型，随机从支撑集的k种轴承故障类型中选取轴承故障类别为q的某一样本和剩余k-1类故障中的n个样本及类别q中的剩余样本共同构成样本对，送入所述孪生卷积神经网络模型中进行训练，得到特征嵌入网络；映射模块，用于通过所述特征嵌入网络将所述支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中，使得所述特征嵌入空间中的同类别待测样本会围绕一个虚拟的代表待测样本公共特征的原型点聚集成簇；故障类别诊断模块，将输入的待测样本与所述支撑集中每个类别的原型点进行比较，分别计算每个待测样本与每个原型点的欧氏距离，从中筛选出与待测样本欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。6.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：所述特征嵌入网络是通过深层嵌入网络卷积计算的方式实现旋转机械振动信号的故障特征提取及空间嵌入，相似的故障样本在经过特征提取变换后，得到相似的空间特征，原本不同类别的故障样本经过特征提取变换后得到不相似的空间特征。7.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：所述孪生卷积神经网络模型是一维多尺度注意力的卷积神经网络，包括多尺度特征提取模块和注意力特征加权模块，层结构如下：第一层卷积采用32个64
×
1的卷积核；第二层的多尺度分支为三个，每个尺度使用相同的注意力卷积结构，卷积核大小分别为3
×
1、7
×
1、11
×
1，卷积核数量都为16个；第三、四、五层卷积分别使用64个大小为6
×
1、10
×
1的卷积核，所有池化操作的大小全部为4
×
1；最后一层卷积特征提取层在bn层后直接接上注意力模块、全局池化操作，输出的特征图为64维。8.根据权利要求5所述的一种旋转机械的故障诊断装置，其特征在于：所述特征嵌入网络构建及训练模块在训练过程中，使用原型对比的损失函数指导孪生卷积神经网络模型对输入样本对进行相似度学习；所述原型对比的损失函数由经验损失和
正则项损失两部分组成；具体公式如下：正则项损失两部分组成；具体公式如下：其中，l是最终的损失函数，l(y,x,c)为经验损失函数，为正则项损失，λ代表正则项系数，w代表网络权重，n代表输入样本数量，x代表输入样本，y代表实际故障类别标签，y
i
代表第i对样本是否相同，c
kj
代表第k类故障的样本原型的第j维特征值，m代表用于调节函数整体收敛力度的超参数；任一类故障的所述样本原型的计算公式描述如下：其中ck代表第k类故障的原型，sk代表第k类故障的样本集，f
θ
(
·
)代表嵌入网络，x
i
代表第k类的第i个样本。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
技术总结
本发明提供一种旋转机械的故障诊断方法、装置、设备和介质，方法包括：采集旋转机械在不同负载下滚动轴承不同状态的振动加速度数据并按照故障类型标签分类；对有标签的样本构建支撑集；构建孪生卷积神经网络模型，随机从支撑集中选取样本并构成样本对进行训练，得到训练好的特征嵌入网络；通过特征嵌入网络将支撑集中每个类别中的待测样本数据统一映射到一个相同的特征嵌入空间中；分别计算每个待测样本与每个原型点的欧氏距离，筛选出欧氏距离最小的原型类别，作为该待测样本故障类别的诊断结果。本发明能够在某些故障样本数据稀少甚至缺失的情况下，有效提高诊断模型的识别率，同时尽可能减小个别样本本身存在的差异性对模型预测效果的影响。型预测效果的影响。型预测效果的影响。
技术研发人员：郑松 唐斯 段立伟 郑蓉 刘朝儒 陈松彬 颜明泽 夏长星
受保护的技术使用者：爱普（福建）科技有限公司
技术研发日：2021.12.30
技术公布日：2022/5/25