非平衡小样本场景下风机轴承故障深度对抗诊断方法技术

本发明专利技术是一种非平衡小样本场景下风机轴承故障深度对抗诊断方法，其特点是，包括风电机组轴承振动信号采集、改进AC‑GAN模型构建、改进AC‑GAN样本构建、风电机组轴承振动信号样本生成和各场景下风电机组轴承故障诊断等步骤：解决了基于振动信号的风机故障诊断存在的振动信号噪声干扰复杂、故障样本少且类别间样本数非平衡等问题，提高了小样本非平衡场景下故障识别准确率，能够在高噪声干扰、样本数量不足及不同类型样本训练集规模非平衡等复杂场景下具有较好的故障识别准确率，具有科学合理，适应性强，实用价值高，可为风机研发、风电场运行维护、风机研究等相关人员提供参考。

Diagnosis method of fan bearing fault depth confrontation under unbalanced small sample scenario

【技术实现步骤摘要】
非平衡小样本场景下风机轴承故障深度对抗诊断方法本专利技术涉及风机轴承故障诊断方法，具体地说，是一种非平衡小样本场景下风机轴承故障深度对抗诊断方法，应用于风电机组轴承机械故障状态的在线诊断。
技术介绍
轴承作为风力发电机传动系统的核心部件，持续受到交变冲击力和载荷作用影响，成为机械故障高发部位。轴承一旦损坏，风机停机时间长、修复成本高，经济损失严重。因此，准确诊断风机轴承故障对保障风电机组安全、可靠运行与风场经济性具有重要意义。现有的风机轴承故障诊断一般基于轴承振动信号开展，诊断过程分为特征提取与模式识别两部分。主要是根据轴承发生故障时振动信号各频带能量变化识别轴承故障；通过时-频分析法，解析振动信号在时-频域能量分布，提取相关时-频信号特征。常用时-频分析方法包括小波变换、经验模态分解与变分模态分解。小波变换通过多分辨率时-频局部化，有效提取非线性暂态振动时-频信号特征；但在处理复杂振动信号时，需选择不同基函数才能获得最佳效果，且参数选取无统一标准。经验模态分解具有自适应信号处理能力，但存在端点效应和模态混叠等不足。变分模态分解是多分量信号自适应分解方法，在处理轴承滚动信号时具有良好的抗噪性能；但模态数需根据先验知识进行预估，如模态数选择不合理则易造成较大分解误差。采用盲源分离技术将故障信号分解为稳态和非稳态分量，最后对具有最大峭度值的非稳态分量进行包络谱分析，该方法能有效确定潜在故障特征频率，但其忽略了时间序列所造成的影响。现有特征提取方法虽取得较好的应用效果，但其过程复杂，且部分环节依赖专家经验。模式识别方法主要包括极限学习机(ExtremeLearningMachine,ELM)、支持向量机(SupportVectorMachine,SVM)、卷积神经网络(ConvolutionalNeuralNetworks,CNN)等。ELM学习速度快、所需训练样本少，能够实现快速故障诊断，但稳定性相对较弱。SVM能够高效的解决高维非线性决策问题，但核参数和样本参数选择困难，且受故障样本影响显著。CNN对原始故障数据进行网络层间学习，建立故障样本和故障类别之间的映射关系，不需要特征提取，并将待观测数据样本输送至已训练好的网络进行故障判定的有效技术手段，但故障样本数据较少场景下难以有效应用。现有研究已在实施例环境下，获得较好的故障诊断效果。但由于轴承故障振动实施例数据获取成本高、故障程度有限，缺乏故障训练数据时，支持向量机等多类分类器易将无训练故障样本误识别为错误的故障类型甚至正常状态，严重影响设备可靠性，且实测数据往往存在不同类型样本累积数据量不同导致的数据非平衡问题，导致现有方法在非平衡小样本故障诊断场景下识别准确率有限，甚至存在状态误识别问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种科学合理，适应性强，实用价值高，能够在高噪声干扰、样本数量不足及不同类型样本训练集规模非平衡，且复杂场景下，具有较好的故障识别准确率的非平衡小样本场景下风机轴承故障深度对抗诊断方法。本专利技术的目的是通过以下技术手段实现的：一种非平衡小样本场景下风机轴承故障深度对抗诊断方法，其特征是，它包括以下步骤：1)风电机组轴承振动信号采集通过加速度传感器采集风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号，并将采集的风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号由16通道的数据记录器记录，信号采样频率为12kHz；2)改进AC-GAN模型构建生成对抗网络(GenerativeAdversarialNetworks，GAN)包含生成器(Generator，G)和判别器(Discriminator，D)两部分；G将噪声信号z映射到样本空间，得到生成样本数据Xfake＝G(z)；将生成样本Xfake或真实样本Xreal输入判别器，由D判定并输出概率值(P(S|X)＝D(X))，表示判别样本X属于S的概率，S为样本来源，其有两种可能：真实(real)，生成(fake)，GAN目标函数为：含D目标函数和G目标函数两部分，其中，D目标函数为：GAN通过式(2)式优化D参数，其中，输入为真实样本Xreal时，D最大化“真实样本”判别概率；输入为生成样本Xfake时，D最大化“生成样本”判别概率，“真实样本”与“生成样本”判别概率的期望E相加，为D目标函数，G目标函数为：由式(3)优化G时，与真实样本无关，故舍去GAN目标函数中的第1项，即舍去E[logP(S＝real|Xreal)]，仅保证最小化生成样本Xfake被判别为“生成样本”的概率，GAN训练过程中，模型的生成器G与判别器D交替优化，通过G与D相互博弈，最终使G生成样本符合真实样本概率分布，达到纳什均衡，GAN无需先验概率建模，就能学习真实样本的分布，通过生成样本提高小样本场景下故障诊断准确率，但是，为解决由于GAN无先验知识指导，使GAN对初始参数极其敏感，且存在训练不稳定与模式损失，导致在部分模式上生成样本缺乏多样性；同时，输入G的随机噪声信号无约束，导致生成样本概率分布与生成目标间差异大，且学习过程易发生崩溃的问题，采用含带标签辅助分类器的生成对抗网络AC-GAN，在GAN的基础上增加了噪声标签和多分类功能，使其根据标签生成指定类型样本，或利用其判别器直接实现样本多分类；AC-GAN中，G在输入随机噪声信号z同时输入生成样本对应类标签c，利用z和c，生成对应类别样本Xfake＝G(c,z)，判别器D同时输出样本X来源于S的概率P(S|X)和属于不同类别的概率P(C|X)，即为：[P(S|X),P(C|X)]＝D(X)(4)其中C＝c,c∈{1,2,,n}，n表示样本类数，AC-GAN中，G目标函数为最大化LC-LS，D目标函数为最大化LC+LS，LS与LC与定义为：其中，LS为正确源损失函数，衡量判别数据来源于真实样本的正确性；LC为正确类损失函数，衡量输出类别的正确性，AC-GAN通过内部博弈，最终实现有效生成与识别多类样本，为解决小样本非平衡及复杂噪声场景下，风机轴承故障诊断准确率不足问题，并提高信号特征提取效果，构建改进AC-GAN模型，AC-GAN模型在G的输入端加入不带噪声的故障样本类别标签提高多分类场景下生成数据针对性；生成器中加入Dropout层，防止过拟合导致生成重复数据；判别器中添加卷积层提取更多细节特征，并引入噪声过渡模型，重定义损失函数，使D在不同场景下进行故障识别时均具有良好的性能，在G中加入Dropout层，保证故障样本生成质量，并用其生成大量故障类型样本数据进行D数据增强，在训练过程中，采用正则化Dropout方法随机忽略G部分神经元，使之在反向传播时不会更新权值参数，降低对神经元特定权值敏感性，提升模型的泛化能力，此外，在D中加入卷积层，使其提取更多原始信号细节特征，通过权值共享，卷积层减少模型训练参数，提高训练效率；同时，以卷积核对故障样本进行区域动态特征提取，能提取出更多细节特征，本文档来自技高网...

【技术保护点】
1.一种非平衡小样本场景下风机轴承故障深度对抗诊断方法，其特征是，它包括以下步骤：/n1)风电机组轴承振动信号采集/n通过加速度传感器采集风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号，并将采集的风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号由16通道的数据记录器记录，信号采样频率为12kHz；/n2)改进AC-GAN模型构建/n生成对抗网络(Generative Adversarial Networks，GAN)包含生成器(Generator，G)和判别器(Discriminator，D)两部分；G将噪声信号z映射到样本空间，得到生成样本数据X

【技术特征摘要】
1.一种非平衡小样本场景下风机轴承故障深度对抗诊断方法，其特征是，它包括以下步骤：
1)风电机组轴承振动信号采集
通过加速度传感器采集风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号，并将采集的风电机组轴承正常状态信号、滚动体故障振动信号、内圈故障振动信号和外圈故障信号由16通道的数据记录器记录，信号采样频率为12kHz；
2)改进AC-GAN模型构建
生成对抗网络(GenerativeAdversarialNetworks，GAN)包含生成器(Generator，G)和判别器(Discriminator，D)两部分；G将噪声信号z映射到样本空间，得到生成样本数据Xfake＝G(z)；将生成样本Xfake或真实样本Xreal输入判别器，由D判定并输出概率值(P(S|X)＝D(X))，表示判别样本X属于S的概率，S为样本来源，其有两种可能：真实(real)，生成(fake)，GAN目标函数为：



含D目标函数和G目标函数两部分，
其中，D目标函数为：



GAN通过式(2)式优化D参数，其中，输入为真实样本Xreal时，D最大化“真实样本”判别概率；输入为生成样本Xfake时，D最大化“生成样本”判别概率，“真实样本”与“生成样本”判别概率的期望E相加，为D目标函数，G目标函数为：



由式(3)优化G时，与真实样本无关，故舍去GAN目标函数中的第1项，即舍去E[logP(S＝real|Xreal)]，仅保证最小化生成样本Xfake被判别为“生成样本”的概率，
GAN训练过程中，模型的生成器G与判别器D交替优化，通过G与D相互博弈，最终使G生成样本符合真实样本概率分布，达到纳什均衡，GAN无需先验概率建模，就能学习真实样本的分布，通过生成样本提高小样本场景下故障诊断准确率，但是，为解决由于GAN无先验知识指导，使GAN对初始参数极其敏感，且存在训练不稳定与模式损失，导致在部分模式上生成样本缺乏多样性；同时，输入G的随机噪声信号无约束，导致生成样本概率分布与生成目标间差异大，且学习过程易发生崩溃的问题，采用含带标签辅助分类器的生成对抗网络AC-GAN，在GAN的基础上增加了噪声标签和多分类功能，使其根据标签生成指定类型样本，或利用其判别器直接实现样本多分类；AC-GAN中，G在输入随机噪声信号z同时输入生成样本对应类标签c，利用z和c，生成对应类别样本Xfake＝G(c,z)，判别器D同时输出样本X来源于S的概率P(S|X)和属于不同类别的概率P(C|X)，即为：
[P(S|X),P(C|X)]＝D(X)(4)
其中C＝c,c∈{1,2,…,n}，n表示样本类数，
AC-GAN中，G目标函数为最大化LC-LS，D目标函数为最大化LC+LS，LS与LC与定义为：



其中，LS为正确源损失函数，衡量判别数据来源于真实样本的正确性；LC为正确类损失函数，衡量输出类别的正确性，AC-GAN通过内部博弈，最终实现有效生成与识别多类样本，为解决小样本非平衡及复杂噪声场景下，风机轴承故障诊断准确率不足问题，并提高信号特征提取效果，构建改进AC-GAN模型，AC-GAN模型在G的输入端加入不带噪声的故障样本类别标签提高多分类场景下生成数据针对性；生成器中加入Dropout层，防止过拟合导致生成重复数据；判别器中添加卷积层提取更多细节特征，并引入噪声过渡模型，重定义损失函数，使D在不同场景下进行故障识别时均具有良好的性能，在G中加入Dropout层，保证故障样本生成质量，并用其生成大量故障类型样本数据进行D数据增强，在训练过程中，采用正则化Dropout方法随机忽略G部分神经元，使之在反向传播时不会更新权值参数，降低对神经元特定权值敏感性，提升模型的泛化能力，此外，在D中加入卷积层，使其提取更多原始信号细节特征，通过权值共享，卷积层减少模型训练参数，提高训练效率；同时，以卷积核对故障样本进行区域动态特征提取，能提取出更多细节特征，从而提高D故障诊断能力，由于噪声的影响，真实故障样本的实际类别可能被误识别，为提高新模型抗噪性，在D中引入噪声过渡模型并重定义损失函数，将真实故障样本实际类别标签定义为不带噪声的样本标签将真实故障样本被错误标记的标签定义为带噪声的样本标签如真实故障样本类别为第i类、则其可能被误标记为第j类的概率称为噪声过渡概率Ti,j为：



由此，噪声过渡模型T定义为：
T＝(Ti,j),T∈[0,1]n×n且(∑iTi,j＝1)(7)
在此基础上，定义辅助分类损失函数代替原AC-GAN中的正确类损失函数LC，以提高D抗噪能力，定义为



式(8)中...

【专利技术属性】
技术研发人员：黄南天，杨学航，蔡国伟，宋星，王文婷，陈庆珠，赵文广，刘宇航，刘德宝，包佳瑞琦，张祎祺，吴银银，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林;22