基于多视图对抗自编码器的机械设备健康状态识别方法技术

基于多视图对抗自编码器的机械设备健康状态识别方法，首先获得机械设备的振动信号样本，并将信号通过傅里叶变换、希尔伯特变换+傅里叶变换、连续小波变换从不同的视角描述信号，经标准化处理后作为网络的输入；接着构建多视图对抗自编码器并假设特征所服从的分布，使用对抗训练的方法使特征逼近所假设的分布，从而对网络进行训练；最后利用集成学习，将训练好的多个学习器相结合，将集成后所得到的概率作为最终的预测结果；训练好的网络可实现对少量标签、低信噪比条件下的机械设备健康状态的诊断；本发明专利技术通过视图学习和集成学习的引入，解决了标签缺乏且信号噪声严重时网络特征提取能力不足的问题，提高了网络在实际工程中的适用性。的适用性。的适用性。

【技术实现步骤摘要】
基于多视图对抗自编码器的机械设备健康状态识别方法


[0001]本专利技术属于机械装备故障诊断
，具体涉及一种考虑信号中故障频率特征的基于多视图对抗自编码器的机械设备健康状态识别方法。

技术介绍

[0002]随着物联网技术及数字孪生技术的发展，机械装备故障诊断的智能化终端产品在社会生产和生活中应用越来越广泛。其健康状态诊断能力的好坏不仅关系到企业的经济效益，更关系到小到机床设备，大到核电站等大型设备的安全。而轴承作为其中的核心元件，具有举足轻重的作用。研究表明，机械设备40％
‑
50％的故障由轴承产生。因此，基于轴承，在没有大量数据标签、信噪比较低的轴承早期故障阶段及时的诊断出故障，具有重要的意义。
[0003]在现有的众多诊断方法中，大量数据无标签及数据信噪比低是影响其实用性的关键因素，基于此，传统的方法主要包括无监督学习方法和迁移学习方法。无监督学习可以在不借助数据标签的前提下，通过研究数据本身中的统计规律实现对数据的分类。但是这种学习方式无法定性的学习到轴承中的故障特性，从而实现较好的泛化和精确的故障诊断。此外，在噪声混叠较为严重时，冲击信号被淹没在信号中，想要完整提取故障冲击成分是一件困难的事情。迁移学习通过在源域中学习数据的分布，再通过网络训练，使目标域数据与源域数据的特征分布逼近。相比于无监督学习，其可以通过源域数据的特点，为目标域中的特征提取提供一定的指导性。但是迁移学习方法对源域和目标域的数据相似度要求较高，噪声、工况、故障频率、振动传递路径的变化都有可能造成方法的失效。
[0004]对抗自编码，作为一种前沿的机器学习方法已经在诸多领域有了较好的应用。也有学者将其引入了轴承的故障诊断领域。然而，其并没有考虑以下问题：1)早期信号往往信噪比较高，对网络特征提取能力要求较高；2)基于少量的带标签的数据的单个半监督学习模型，其预测结果的准确率可信度有限。

技术实现思路

[0005]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种考虑信号中故障频率特征的基于多视图对抗自编码器的机械设备健康状态识别方法，通过半监督学习方式，解决了机械设备进行诊断而数据标签缺少的问题；通过多视图学习和集成学习的引入，解决了标签缺乏且信号信噪比低时，网络特征提取能力不足、及结果是否可信的问题，提高了网络在实际工程中的适用性。
[0006]为达到上述目的，本专利技术采取的技术方案为：
[0007]基于多视图对抗自编码器的机械设备健康状态识别方法，包括以下步骤：
[0008]步骤1：获取机械设备的N1个带标签的数据集{(X
i
,d
i
)|i＝0,1,...,N1}，和N2个不带标签的数据集{X
j
|j＝0,1,...,N2}；
[0009]步骤2：使用频谱FS、包络谱ES和连续小波变换CWT三种方法分别对步骤一的数据
集进行分析，其中连续小波变换CWT获得两种不同分辨率的时频图像，因此三种分析方法可以提取到数据中的四种不同特征，且特征间存在互补性，之后，对数据集进行归一化处理，数据集可以表示为X＝[FS,ES,CWT
‑
1,CWT
‑
2]；
[0010]步骤3：在对抗自编码器的基础上构建多视图对抗自编码器C，分别在对抗自编码器的编码器部分En和解码器部分De，将其拓展成多个具有相同拓扑结构的网络，并在中间的特征提取层进行融合，所构造的网络能同时提取到步骤2中的多个视图数据X＝[FS,ES,CWT
‑
1,CWT
‑
2]中的特征，并能融合互补的特征，去除冗余的特征；
[0011]步骤4：在步骤3所构造的网络的输入部分使用步骤2中的多个视图数据X＝[FS,ES,CWT
‑
1,CWT
‑
2]；在网络的数据分布假设部分，使用不同的假设分布N
D
来训练网络，获得多个训练好的多视图对抗自编码器{C1，C2，
…
，C
n
}；
[0012]步骤5：通过集成学习的方法将步骤4中训练好的网络的编码器部分En联合起来，构建了集成多视图对抗自编码器EnC，其则样本x属于某个类别L
k
的总概率P(Y＝L
k
|X＝x)为各个网络C
i
的概率的和，即：
[0013]步骤6：使用步骤5中所训练的集成多视图对抗自编码器EnC对机械设备进行故障诊断。
[0014]所述的步骤1中，无标签数据的个数可远大于有标签数据的个数，即N2>N1。
[0015]所述的步骤2中，连续小波变换以Morlet小波为基函数。
[0016]所述的步骤3中，信号的编码器En与解码器De通过并行结构实现对多视图数据的学习，并行的数量即为视图的数量，辨识器D不存在并行的结构，其用于辨识分布的真假，并强迫编码器En将学习到的特征与所假设的分布一致，自编码部分以均方误差作为损失函数。
[0017]所述的步骤4中，所假设的分布包括高斯分布、混合高斯分布、瑞士卷分布、均匀分布，这四种假设分布使多视图网络生成不同的特征分布，提高最终预测的置信度。
[0018]本专利技术的有益效果为：针对工程实际中所存在的问题，本专利技术通过对抗自编码器实现了模型对大量无标签数据的学习，通过结合不同的信号处理方法构造了多视图对抗自编码器，实现了低信噪比信号中故障频率相关特征的提取，通过集成学习提高了结果的可信度。所提出的模型在实际工程中具有较强的适用性，不仅适用于基于机械设备终端硬件的故障诊断，同时也可以拓展到其它机械设备，包括基于大型离线系统的机械设备的故障诊断。
附图说明
[0019]图1为本专利技术的流程图。
[0020]图2为多视图对抗自编码器C的网络结构图。
[0021]图3是本专利技术方法在实施例一中数据集A上的诊断结果，及其与不同输入、不同假设分布的对抗自编码器的诊断结果的对比。
[0022]图4是本专利技术方法在实施例一中数据集B上的诊断结果，及其与不同输入、不同假设分布的对抗自编码器的诊断结果的对比。
[0023]图5是本专利技术方法在实施例一中数据集C上的诊断结果，及其与不同输入、不同假
设分布的对抗自编码器的诊断结果的对比。
[0024]图6是专利技术方法在实施例一中数据集D上的诊断结果，及其与不同输入、不同假设分布的对抗自编码器的诊断结果的对比。
[0025]图7是本专利技术方法在实施例一中数据集E上的诊断结果，及其与不同输入、不同假设分布的对抗自编码器的诊断结果的对比。
具体实施方式
[0026]下面结合附图对本专利技术进一步详细描述。
[0027]如图1所示，一种考虑信号中故障频率特征的基于多视图对抗自编码器的机械设备健康状态识别方法，包括以下步骤：
[0028]步骤1：获取机械设备的N1个带标签的数据集{(X
i...

【技术保护点】

【技术特征摘要】
1.基于多视图对抗自编码器的机械设备健康状态识别方法，其特征在于，包括以下步骤：步骤1：获取机械设备的N1个带标签的数据集{(X
i
,d
i
)|i＝0,1,...,N1}，和N2个不带标签的数据集{X
j
|j＝0,1,...,N2}；步骤2：使用频谱FS、包络谱ES和连续小波变换CWT三种方法分别对步骤一的数据集进行分析，其中连续小波变换CWT获得两种不同分辨率的时频图像，因此三种分析方法可以提取到数据中的四种不同特征，且特征间存在互补性，之后，对数据集进行归一化处理，数据集可以表示为X＝[FS,ES,CWT
‑
1,CWT
‑
2]；步骤3：在对抗自编码器的基础上构建多视图对抗自编码器C，分别在对抗自编码器的编码器部分En和解码器部分De，将其拓展成多个具有相同拓扑结构的网络，并在中间的特征提取层进行融合，所构造的网络能同时提取到步骤2中的多个视图数据X＝[FS,ES,CWT
‑
1,CWT
‑
2]中的特征，并能融合互补的特征，去除冗余的特征；步骤4：在步骤3所构造的网络的输入部分使用步骤2中的多个视图数据X＝[FS,ES,CWT
‑
1,CWT
‑
2]；在网络的数据分布假设部分，使用不同的假设分布N
D
来训练网络，获得多个训练好的多视图对抗自编码器...

【专利技术属性】
技术研发人员：朱永生，高大为，任智军，康伟，黄凯，张盼，闫柯，洪军，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：