一种基于半监督学习深度对抗网络的故障诊断方法技术

本发明专利技术公开了一种基于半监督学习深度对抗网络的故障诊断方法，获取不同工作故障下轴承的振动信号，将故障轴承的振动时域信号进行小波变换为二维图像；通过生成对抗网络对少量有标签的数据进行监督学习，对大量无标签的数据进行无监督训练，用卷积神经网络提取高维特征实现数据的分类，从而识别轴承的故障类别。本发明专利技术实现了在有限的带标签数据的情况下训练得到高精度的故障诊断模型，得到更准确的判别器，从而能够基于滚动轴承的振动信号进行精准故障诊断。

A fault diagnosis method based on semi supervised learning depth antagonism network

【技术实现步骤摘要】
一种基于半监督学习深度对抗网络的故障诊断方法
本专利技术涉及滚动轴承振动信号处理
，尤其是一种基于半监督学习深度对抗网络的故障诊断方法。
技术介绍
研究先进的机械故障诊断方法是保障设备与人员安全的重要内容，其中，轴承是旋转机械中最为重要的机械零件之一，广泛应用于电力、化工、冶金、航空等各个重要领域，同时轴承也是最容易损坏的元件之一，轴承性能和工况的好坏会直接影响到整台机器设备的性能，轴承性能和工况的缺陷会导致设备产生异常振动和噪声，甚至造成设备损坏。因此，对滚动轴承进行故障诊断，尤其对滚动轴承早期故障的分析，尤为重要。现有技术中，深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断领域中最活跃的研究方向之一，基于深度学习的故障诊断框架具有强大的特征学习能力，能够通过多个隐藏层直接从原始传感器数据中学习分层表示，并自动选择有利于识别的特征，准确的进行故障分类。但是，使用深度学习训练故障分类模型需要提供大量带有标签的样本数据，然而在实际工况下，虽然能够采集到的大量的振动数据，但大部分振动数据不带有标签，针对每种故障下本文档来自技高网...

【技术保护点】
1.一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，包括以下步骤：/nS1，获取包含有k类轴承故障的样本总集合Y＝{Y

【技术特征摘要】
1.一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，包括以下步骤：
S1，获取包含有k类轴承故障的样本总集合Y＝{Y1,Y2,Y3,…Yk}，即Y＝{Yi}，i＝1,2,3,…k；
Yi表示第i类轴承故障所对应的样本集合，即j＝1,2,3,…M；

表示第i类轴承故障所对应的样本集合Yi中的第j个样本数据；
所述样本数据是指轴承的振动信号，且样本数据为一维向量；
S2，将样本数据转换为二维图像格式，得到二维样本数据，转换后的二维图像格式不仅包括振动信号的时域特征，还包括振动信号的频域特征；
S3，根据步骤S2所得的二维样本数据生成训练集；所述训练集中包括：带标签的二维样本数据，无标签的二维样本数据；其中，标签是指轴承故障类别；带标签的二维样本数据和无标签的二维样本数据均为真实样本；
S4，将训练集输入判别器D中，若判别器D的输入为带标签的二维样本数据时，则进行监督学习；若判别器D的输入为无标签的二维样本数据时，则进行无监督学习；
在监督学习阶段，将带标签的二维样本数据输入到判别器D进行监督学习，判别器D能够判别出带标签的二维样本数据的标签即故障类别即可达到要求；
在无监督学习阶段，构建一个生成器G与判别器D进行对抗训练，借助生成对抗网络进行无监督学习；所述生成器G将随机噪声v映射为伪样本数据，且伪样本数据也为二维图像格式，即将随机噪声v映射为二维伪样本数据；所述生成器G的模型结构如下：生成器G:v→z，z＝G(v,θg)；其中，G(·)表示将随机噪声v映射为二维图像格式的伪样本数据的模型，θg表示模型参数，z表示输出的伪样本数据；将无标签的二维样本数据和二维伪样本数据输入到判别器D进行无监督学习，判别器D能够判别出无标签的二维样本数据为真实样本即可达到要求；即，不论输入无标签的二维样本数据的具体故障类别，判别器D只要能够输出该无标签的二维样本数据为真实样本即可达到要求；
S5，基于判别器D进行的监督学习，以及基于判别器D与生成器G之间的生成对抗网络以进行的无监督学习，构成了基于半监督学习深度对抗网络的故障诊断模型，并对该故障诊断模型进行训练；
S6，对训练完成后的故障诊断模型进行模型测试，以对判别器D进行优化；
S7，后续的，已知轴承的振动信号后，即可利用优化后的判别器D进行故障诊断。


2.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S2中，利用小波变换将样本数据转换为二维图像格式，得到二维样本数据；
所述小波变换的公式，如下式所示：



式中，a表示缩放因子，用于小波函数的伸缩；τ表示平移因子，用于控制小波函数的平移；f(t)表示振动信号即一维向量；t表示时间；ψ(·)表示小波函数；WT(·)表示小波变换；
小波函数ψ(·)的公式，如下式所示：





3.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，所述生成器G的网络结构为：首先是一个全连接层将原始输入即随机噪声x映射到1024维向量，后面再依次连接四个反卷积模块组成，每个反卷积模块均依次连接包括：一个反卷积层，一个批归一化层即BN，一个relu激活函数层；
所述反卷积模块的形式化表示如下式所示：



式中，表示反卷积运算；Wg表示反卷积核；bg表示反卷积核偏置；hθ表示反卷积运算的结果；上标g用于标识生成器G的参数；BN(·)表示批归一化；relu(·)表示relu激活函数；
此四个依次连接的反卷积模块中的反卷积核的大小均为5，此四个依次连接的反卷积模块中的反卷积核数目依次为256、128、64、1。


4.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，所述判别器D模型结构为：判别器D由三个卷积模块组成，每个卷积模块均为：首先是一个二维卷积操作即一个卷积层，其次是一个最大池化层Maxpool，然后接一个批归一化层即BN，最后接一个leakrelu激活函数层；
所述卷积块的形式化表示如下式所示：
md＝Max_pool(Wd*x+...

【专利技术属性】
技术研发人员：徐娟，史永方，任子晖，刘磊，赵玉坤，
申请(专利权)人：安徽富煌科技股份有限公司，合肥工业大学，
类型：发明
国别省市：安徽;34