一种用于机械故障诊断的生成式对抗网络模型评估方法技术

本发明专利技术涉及一种用于机械故障诊断的生成式对抗网络模型评估方法，采用三个定量评估指标Jensen‑Shannon divergence(JSD)散度，Kernel Maximum Mean Discrepancy(MMD)和1‑Nearest Neighbor classifier（1‑NN）评估生成式对抗网络模型。利用这三个评价指标分辨真实样本和生成样本的能力，分辨模式坍塌的能力和检测模型过拟合能力，验证所提出的生成式对抗网络模型的有效性。通过评估能够表明JSD散度可以评估生成模型生成数据的质量，MMD和1‑NN能够从真实样本中识别生成样本，在机械故障诊断领域是很好的度量标准。

【技术实现步骤摘要】
一种用于机械故障诊断的生成式对抗网络模型评估方法
本专利技术涉及一种用于机械故障诊断的生成式对抗网络模型评估方法，属于故障诊断

技术介绍
近年来，生成模型，特别是生成式对抗网络(GAN)已经得到了极大的关注，是当下热门的人工智能技术之一。尽管在理论方面取得了很大的进展，但评估和比较GAN仍然是极具挑战性。自从提出了GAN模型后，近几年出现了许多变体，一些评估措施也浮出水面。有些尝试定性评估，通常需要借助人工检验生成图像的视觉保真度来进行；有些尝试定量评估，利用统计学中的研究工具来评估生成分布和目标分布之间的差异。在这些方法中，不管是定性评估还是定量评估GAN模型，都是在计算机视觉问题上取得的成果。GAN有许多应用领域，不同的应用领域评估方法也不同。不同的应用领域需要选择正确的度量标准。比如GAN在机械故障诊断领域中的应用，现有的一些评价指标Inceptionscore(IS),Fréchetinceptiondistance(FID)等放在故障诊断领域来评价，很可能造成误判。对于时间序列信号，尤其是机械传感器信号，需要考虑传感本文档来自技高网...

【技术保护点】
1.一种用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，包括步骤：/n收集不同工况、负载下机械传动系统振动数据，建立样本训练集；/n通过对抗学习机制，利用样本训练集训练生成式对抗网络模型，将训练好的生成式对抗网络模型用于生成振动样本数据；/n利用JSD散度(Jensen-Shannon Divergence)、最大平均差异MMD(Kernel MaximumMean Discrepancy)、最邻近分类器1-NN(1-Nearest Neighbor classifier)三个指标对生成式对抗网络模型进行评估，包括生成数据质量评估、模型坍塌评估和生成数据过拟合评估。/n

【技术特征摘要】
1.一种用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，包括步骤：
收集不同工况、负载下机械传动系统振动数据，建立样本训练集；
通过对抗学习机制，利用样本训练集训练生成式对抗网络模型，将训练好的生成式对抗网络模型用于生成振动样本数据；
利用JSD散度(Jensen-ShannonDivergence)、最大平均差异MMD(KernelMaximumMeanDiscrepancy)、最邻近分类器1-NN(1-NearestNeighborclassifier)三个指标对生成式对抗网络模型进行评估，包括生成数据质量评估、模型坍塌评估和生成数据过拟合评估。


2.根据权利要求1所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，在利用JSD散度对生成式对抗网络模型生成振动样本数据集的质量进行评估的步骤中，采用JSD散度计算样本训练集和生成式对抗网络模型生成振动样本数据集的接近程度。


3.根据权利要求2所述的用于机械故障诊断的生成式对抗网络模型评估方法，其特征在于，JSD散度公式定义为：



其中，m＝(p+q)/2是p和q分布的等量混合，p为样本训练集，q为生成式对抗网络模型生成振动样本数据集；JSD散度的值域范围是[0,1]，相...

【专利技术属性】
技术研发人员：罗佳，黄晋英，马健程，李红梅，吕彩琴，张利东，
申请(专利权)人：中北大学，
类型：发明
国别省市：山西;14