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，需要考虑传感器数据的固有属性，评估指标是基于这些统计特征设计的。所以在特定的应用领域选择正确的评价指标是非常重要的，正如选择正确的评估指标可以得出正确的结论一样。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种用于机械故障诊断的生成式对抗网络模型评估方法。本专利技术解决其技术问题所采用的技术方案是：构造一种用于机械故障诊断的生成式对抗网络模型评估方法，包括：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。其中，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。其中，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]，相同则是0，相反为1。其中，在利用最大平均差异MMD对生成式对抗网络模型进行评估的步骤中，MMD用于判断原始样本分布p和生成样本分布q是否相同；如果样本训练集和生成式对抗网络模型生成振动样本数据集两个样本分布相似，那么通过寻找在样本空间上的连续函数k，求不同样本k函数的均值，计算均值的差作为样本训练集和样本数据集在k函数下的平均差异，选择其中最大值作为MMD。其中，最大平均差异MMD公式定义为：分别从p和q中采样两组样本，p和q之间的MMD通过有限样本的期望逼近计算；选择高斯核函数来作为核函数，高斯核σ取多个值，分别求核函数并作和，作为最后的核函数。其中，在利用最邻近分类器1-NN对生成式对抗网络模型进行评估的步骤中，以样本训练集作为正样本，以生成式对抗网络模型生成振动样本数据集作为负样本，结合留一法，计算正样本和负样本的精度；如果二者接近，则精度接近50％，否则接近0％。区别于现有技术，本专利技术提供的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-Shannondivergence(JSD)散度，KernelMaximumMeanDiscrepancy(MMD)和1-NearestNeighborclassifier(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。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1是本专利技术提供的一种用于机械故障诊断的生成式对抗网络模型评估方法的流程示意图。图2是本专利技术提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中行星齿轮箱实验系统的结构示意图。图3是本专利技术提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中基于故障诊断的条件深度卷积生成式对抗网络(C-DCGAN)结构示意图。图4是本专利技术提供的一种用于机械故障诊断的生成式对抗网络模型评估方法中基于数据集样本的评估方法的流程图。具体实施方式为了对本专利技术的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本专利技术的具体实施方式。如图1所示，本专利技术的一种用于机械故障诊断的生成式对抗网络模型评估方法，包括：S110：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。本专利技术中，机械传动系统以行星齿轮箱为例进行说明，其结构如图2所示，由变速驱动电机、轴承、斜齿轮箱、行星齿轮箱、磁粉制动器、变频驱动控制器和负载控制器等组成。同时配备断齿齿轮，磨损齿轮。行星齿轮箱故障诊断实验平台模拟工作状态，通过安装在齿轮箱体表面顶部的加速度传感器测试振动信号，采样频率为10240Hz，在3种电机转速(900r/min、1200r/min和1500r/min)和3种负载(0、30N·m和80N·m)情况下连续采样60s，分别对应四种不同故障模式：行星轮外圈裂纹、行星轮磨损、太阳轮断齿、正常。S120：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。本专利技术的方法可对不同类型的生成式对抗网络模型进行评估，在本实施方式中，以条件深度卷积生成式对抗网络模型(C-DCGAN)为例进行说明。C-DCGAN故障诊断模型由一个生成器和一个判别器构成。利用CNN作为GAN的生成器，用于捕获原始振动数据的真实分布，生成具有相似原始数据分布的新样本，以扩展训练故障样本的数量。同样用CNN作为GAN的判别器，对输入样本和真实样本进行鉴别。生成的新样本与原始样本一起输入鉴别器，以提高故障分类器的泛化能力。CNN生成器根据输入振动信号样本标签数据产生新的样本Xfake，把新样本和原始真实标签数据Xreal一起输入到CNN判别器进行真实性判别，然后使用真实性标签误差和类别标签误差作为损失函数，交替迭代训练生成器和判别器。之后将训练好的C-DCGAN中的判别器抽取出来，形成用于故障模式识别的新网络结构。基于故障诊断的C-DCGAN构架见附图3所示。S130：利用JSD散度(Jensen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