基于生成对抗网络的机械异常检测方法技术

本发明专利技术公开了一种基于生成对抗网络的机械异常检测方法。本发明专利技术一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围。本发明专利技术的有益效果：本发明专利技术方法首先利用正常信号训练生成对抗网络，以学习正常信号的数据分布，所得伪造信号与正常信号的相似度较大。

Mechanical anomaly detection method based on generated countermeasure network

【技术实现步骤摘要】
基于生成对抗网络的机械异常检测方法
本专利技术涉及机械异常检测领域，具体涉及一种基于生成对抗网络的机械异常检测方法。
技术介绍
旋转机械设备常常服役于重载、高速、高温等复杂环境，其内部零部件不可避免地会出现损伤进而影响到整个系统的正常工作，甚至引起重大事故。为了确保机械设备的健康运行，需要采集大量的监测数据来反映健康状况，如何有效利用监测数据准确、及时地检测出机械异常，为机械设备的维护与检修提供可靠的依据，成为机械健康监测领域的热点。在实际应用中，常常采用监测数据的时域或频域统计指标，如峭度、均方根、功率谱熵等，反映机械系统的健康状况。当指标值持续增大或减小时，认为机械出现了异常。然而，机械设备因受设备结构复杂、故障信号微弱等因素的影响，采用简单的统计指标进行故障诊断的精度与准确性一般不高。近年来，深度学习理论在特征挖掘、知识学习中所表现出来的优势为机械设备智能运维提供了一个新手段。深度学习通过建立深层神经网络模型，可以直接从信号中提取故障特征，实现机械健康状况的智能诊断。目前在故障智能诊断中运用广泛的几种模型包括卷积神经网络(CNN)本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：/n正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围。/n网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；/n待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围；/n网络测试:把预处理后的待测信号输入到训练后的生成对抗网络，不断更新优化随机噪声以使生成的伪造信号与输入信号的差距最小；/n异常检测:持续向网络输入预处理后的监测信号，计算各信号与最终伪造信号的相似度，观察相似度指标随时间的变化情况，当持续减小时，...

【技术特征摘要】
1.一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：
正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围。
网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；
待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围；
网络测试:把预处理后的待测信号输入到训练后的生成对抗网络，不断更新优化随机噪声以使生成的伪造信号与输入信号的差距最小；
异常检测:持续向网络输入预处理后的监测信号，计算各信号与最终伪造信号的相似度，观察相似度指标随时间的变化情况，当持续减小时，判定异常发生。


2.如权利要求1所述的基于生成对抗网络的机械异常检测方法，其特征在于，所述第一预设范围是[0,1]。


3.如权利要求1所述的基于生成对抗网络的机械异常检测方法，其特征在于，所述第二预设范围是[0,1]。


4.如权利要求1所述的基于生成对抗网络的机械异常检测方法，其特征在于，网络训练的优化算法包括(SGD)、带动量的随机梯度下降法(Momentum)、Nesterov动量法、Adagrad算法、自适应矩估计法(Adam)中...

【专利技术属性】
技术研发人员：王俊，戴俊，陈郝勤，杜贵府，江星星，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32