2020年春季学期，一场突如其来的疫情，阻挡了员工们返校的脚步，影响了2020届毕业生毕业设计（论文）进展。为做好毕业设计（论文）指导工作，学院多次召开线上会议，研讨毕设线上指导工作，制定《437必赢会员中心2020年春季学期防疫阶段本科毕业设计实施方案》、《437必赢会员中心2020年春季学期防疫阶段本科毕业设计相关要求》、《437必赢会员中心关于开展2020届本科生毕业设计（论文）中期检查方案》。毕设指导教师积极完成毕设员工情况梳理，并根据员工实际情况进行分类指导，利用“云端”开展线上毕业设计（论文）指导工作，在疫情期间将毕业设计（论文）进展所受影响尽力减到最小，确保毕业设计（论文）质量线上线下实质等效。毕业设计中期检查工作中，同学们精心准备，认真答辩，积极展示毕业设计取得的阶段性成果，就让我们一睹为快吧：
员工姓名：侯如洁
班 级：车辆2016-03班
指导老师：黄海凤
毕设题目：小样本下旋转机械故障智能识别方法研究
一、毕设介绍概述
随着我国城市化建设的步伐，我国的城市轨道车辆发展日新月异，这是因为轨道交通逐渐成为了贯穿城市的动脉，也成为了连接区域间的纽带。轨道交通因其快捷、安全、舒适、环保等特点在很大程度上解决了交通拥挤堵塞、交通方式单一、空气污染严重等问题，成为了人们出行的优先选择。
轨道车辆中的旋转机械设备，包括电机、轴箱轴承等，在运行中起着不可或缺的重要作用。一旦发生故障将导致车辆不能正常运行，甚至威胁乘客的生命安全。因此，维护轨道交通的安全运行，保障乘客的生命财产安全是一份责任更是一种使命。对此，无论是对于故障诊断方法的有效性还是对维修维护工作的及时性，甚至对于设备制造的可靠性等方面都提出了更高的要求，因此准确及时识别旋转机械设备例如滚动轴承等在运行过程中萌生和演变的故障，对保障交通车辆安全运行，避免经济损失和灾难性事故有着重要意义。
本毕业设计题目要求员工通过了解旋转机械故障诊断技术的研究现状，了解当前诊断技术的发展前景。发现传统的故障诊断方法，例如支持向量机等存在人工经验选择特征导致识别率不足的问题。采用深度学习的方法时，可有效避免因人工经验而导致的误差，但是训练网络需要大量的数据，而实际实验中无法获取大量带标签的数据，当使用小样本量的数据时，该网络往往不能达到很好的收敛状态，由此需要对小样本条件下的故障诊断方法进行研究。
所需要完成的任务如图1所示。
图1 毕业设计需要完成的任务
二、已完成的任务
1.英文文献翻译
图2 英文文献翻译
2.滚动轴承故障信号获取及分析
健康类型总共分为3类，包括正常、外圈和内圈，每类故障有轻、中、重三种程度，总共10个健康状态。采样频率为25600HZ，轴承转频为39HZ。获取实验后分析数据，并且研究故障状态下的特征提取方法，且在输入网络前进行归一化处理。
图3 SQ试验台滚动轴承故障模拟实验
3.原形网络及算法改进
毕业设计采用原形网络实现小样本的滚动轴承故障的识别，原形网络是采用基于度量的学习方法来解决小样本的问题。样本投影到度量空间中，计算每个类别的中心即原形，分类时对比目标到中心的距离，同类样本距离较近，异类样本距离较远，进而判断所属类别。
图4 原型网络
算法改进：
（1）数据划分为三类：支持集、训练集和查询集。支持集数据用来获取各个类的原形，训练集数据用来训练数据使得同类数据到原形的距离最小，查询集数据用来测试结果。
（2）首先支持集数据从网络输出后，并不进行训练，完成映射关系计算原形，即通过每类样本数据的均值来计算。
（3）为了保证投影计算的原形的有效性，考虑对原形进行一定程度的修改。如果用
来代表原形，则修改公式为：
（4）将修改后的原形当作真实标签，当训练集数据从网络输出后，通过调整优化器、损失函数等，训练输出预测值与真实标签的损失达到最小，就相当于训练预测值与原形之间的距离，使得之间的距离达到最小值。
（5）查询集数据输入网络后，不进行训练，仅仅查看精度和损失，判断训练结果是否达到最终所需要的要求。
图5 原型网络算法改进
优化过程：
分析4种类型的损失函数和3种类型的优化器，通过实验判断其中效果最好的损失函数和优化器；分析多种不同数量级的学习率，来寻找最适合本模型进行梯度下降的学习率大小；分析网络里卷积层的卷积核尺寸和全连接层的神经单元数，寻找最适合本模型的卷积核尺寸和神经单元数；为了避免过拟合，考虑采用earlystopping进行优化；通过改变epoch数和patience值来对比网络的精度变化，以便于提高网络的稳定性。对比不同样本量大小的数据，进而判断模型的稳定性能力。
算法结果分析：
图6 准确率比较
三、工作总结及下阶段计划
目前所编写的算法对公开轴承故障数据分类时精度良好，达到了预期要求。SQ滚动轴承故障振动信号的实验数据已完成收集工作，优化的算法对该实验数据的分类效果良好。文献翻译已经完成，绘制完A0及A1图，论文已完成大部分写作。
2020.4.30前：进行不同模型的算法对比，证明本算法的有效性。
2020.5.07前：完善A0及A1图。
2020.5.20前：撰写修改毕业论文。
1.为什么主要针对小样本条件进行研究?
答：传统的故障诊断由于人工经验选择特征不足使得识别准确率不足。深度学习对此有较大的改善，但需依赖大量带标签的数据，当实际收集样本量较少时，不能达到很好效果，因此需要研究小样本条件下的识别技术。
2.模型有哪些不足之处？
答：应用于实测数据时，最终精度有一定下降，需进一步提高泛化能力；在多次实验中，测试精度会有一定程度变化，网络稳定性仍需进一步提高。
由于大四期间学习的课程专业性较强，毕设的要求跟之前的专业课程差别较大，所以刚拿到题目时，便开始学习python编程、深度学习、神经网络等理论知识，但发现包含的知识又多又杂，一度抓不住重点。同时由于深度学习等领域比较新颖，网站上有大量的不同类别的文章，使得刚开始没有头绪找不到思路，浪费了大量的时间。在老师和师兄的指导下，确定了采用原形网络进行小样本学习的研究方法，阅读各种关于原形网络的文章，学习网上的算法例子，并用凯斯西储大学的数据开始分析。在关于修改损失函数时尝试了很多种方法没有运行出来，最终通过把原形当作标签，训练样本与原形之间距离的方式解决。
非常感谢黄老师和师兄对我的帮助，使得我遇到问题能够及时解决。由于小样本学习的问题比较新颖，在研究过程中还存在很多不足的地方，需要我之后进一步改正与完善。
疫情期间阻断了我们去学校的脚步，但作为老员工，我们应该珍惜这段时光，来丰富与完善自己，并做到劳逸结合，不断提高。毕业设计是对我们大学四年学习的总结，同时也是锻炼我们阅读文献，自主学习知识的能力。通过疫情期间进行毕业设计的工作，对我们以后的学习和工作都有着学习和借鉴作用。
