一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法技术

提出一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法，所述方法包括：步骤1：获取执行部件的振动信号；步骤2：振动信号数据转化为RGB图像；步骤3：将RGB图像信号送入扩展卷积对抗自编码器(ECAAE)模型，以进行测试；步骤4：输出诊断结果，所述诊断结果为分类准确率。所述ECAAE是经过训练的故障诊断测试模型，所述训练步骤包括四个阶段：样本重构阶段；正则化阶段；半监督分类阶段；以及扩展微调阶段。

【技术实现步骤摘要】
一种基于扩展卷积对抗自编码器的电作动器故障诊断测试方法
本专利技术涉及设备测试
，具体而言，涉及一种电作动器的故障诊断测试方法，尤其涉及一种扩展卷积对抗自编码器(ECAAE)模型以及基于此ECAAE模型的电作动器故障诊断测试方法。
技术介绍
随着全电动和电传飞行控制概念的普及，电作动器(EMA)系统被广泛应用于各种行业。作动器是关乎系统安全的关键部件，特别是航空航天行业，若未能及时发现作动器故障将可能导致机毁人亡等严重的后果。尽管电作动器具有重量较轻和可维护性好等优点，但在其可靠性分析和故障模式研究方面，其经验的积累相较于液压作动器而言较为匮乏。电作动器位置、振动、电机电流、电压、温度等信号包含了大量的运行状态信息，现有技术充分利用这些数据已经开发出了多种电作动器故障诊断测试方法，然而，当数据驱动方法应用于实际的工业场景时，将会遇到以下挑战:(1)多工况:在真实的工业场景中，由于不确定因素的影响，如不同的负载和随机的环境噪声，电作动器的状态变化很大，这使得在相同的健康状态下采集的训练数据和测试数据有很大的不同。(2)数据条件不充分:电作动器通常用于昂贵的机械或关键系统，故障往往难以复现，因此往往难以获得大量的训练数据。在真实的工业场景中，获得准确的样本标签是很困难的，因此通常会有大量的无标签样本和少量的有标签样本，而且，这些小数量的有标签样本通常是不平衡的，其不平衡体现在会有大部分的正常标签的数据，而少部分的故障数据中又有多种故障的标签。大多数数据驱动模型在正常情况下难以处理样本不平衡问题。因此，针对标签不充分、数据不平衡的问题，实现识别模型的优化和样本的增强，实现有效、鲁棒的电作动器故障诊断测试，对于降低运行维护成本，乃至提高整个系统的可用性和安全性至关重要。
技术实现思路
为了解决现有技术所存在的问题，本专利技术提出一种扩展卷积对抗自编码器(ECAAE)模型以及基于此ECAAE模型的电作动器故障诊断测试方法。根据本专利技术的一个方面，所述方法包括：步骤1：获取执行部件的振动信号；步骤2：振动信号数据转化为RGB图像；步骤3：将所述RGB图像信号送入所述构建扩展卷积对抗自编码器(ECAAE)模型；步骤4：输出诊断结果，所述诊断结果为分类准确率，其中，所述ECAAE是经过训练的模型，所述训练步骤包括四个阶段：样本重构阶段；正则化阶段；半监督分类阶段；以及扩展微调阶段。本专利技术的ECAAE包括四个子网络：一个编码器/生成器子网络，一个解码器子网络和两个鉴别器子网络。在本专利技术的故障诊断测试方法中，所述振动信号为三轴加速度传感器所测的加速度信号，对所述加速度信号进行整形，归一化到特定的通道，然后叠加形成RGB图像。在本专利技术的故障诊断测试方法中，振动信号的样本长度为，对于给定一个样本，，(表示轴)，则转换后图像的像素强度为其中，，，，为取整函数。在本专利技术的故障诊断测试方法中，在所述样本重构阶段，所述编码器和解码器作为基本自编码器模型被激活，并通过小批无标签数据输入图像的重构误差进行算法参数的更新，所述编码器采用二值交叉熵作为损失函数：其中是输入图像，是其重构图像，是图像的大小。在本专利技术的故障诊断测试方法中，在所述模型正则化阶段，编码器和两个鉴别器和，被激活为两个独立的生成对抗网络，分别捕获工况信息和标签信息。在本专利技术的故障诊断测试方法中，在所述模型正则化阶段，在模型中引入瓦瑟斯坦距离和梯度惩罚，并对损失函数和训练过程进行了改进；首先，在标记的小批样本上同时使用组合损失函数更新两个鉴别器，以区分使用分类先验和条件先验生成的真实样本以及编码器生成的样本；式中为真实离散分布，为真实连续分布，为无量纲参数，从生成码和实码中采样，在0~1之间均匀采样；，也可以用相应的方法得到；然后，在同一小批量上使用组合损耗函数更新编码器：在本专利技术的故障诊断测试方法中，在所述半监督分类阶段中，所述编码器生成标签的部分在不平衡标签小批数据上进行更新，在Focal函数的基础上修改所述编码器的损失函数：，其中为可调聚焦参数，为模型对每一类的估计概率。在本专利技术的故障诊断测试方法中，在所述扩展微调阶段，作为所述编码器分类部分的全连接层在一个扩展的平衡的小批数据上进行微调，其采用基本交叉熵损失作为损失函数。本专利技术还提供一种用于电作动器故障诊断测试的基于扩展卷积对抗自编码器模型(ECAAE)，所述ECAAE的体系结构基于半监督的AAE，包含四个子网络：一个编码器/生成器子网络，一个解码器子网络和两个鉴别器子网络；在所述编码器/生成器子网络中，其靠近RGB图像的一侧包括由多个卷积层和最大池化层构成的CNN模块，在其另一侧包括AE模块；所述解码器子网络解码器包括一个全连接层和堆叠几个反卷积层和批处理层；该ECAAE还包括离散分布输入单元和连续分布输入单元，其各自与所述两个鉴别器连接。本
技术实现思路
仅作为在具体实施方式和附图中完全描述的主题的介绍。不应将
技术实现思路
认定为描述了必要技术特征，也不应当用来确定权利要求的范围。此外，应该理解的是，上述
技术实现思路
和以下具体实施方式仅仅是示例性的和解释性的，并且不作为所要求保护的主题的必要限制。附图说明本公开的各种实施例或样例（“示例”）在以下的具体实施方式和附图中得以公开。没必要将附图按比例绘制。一般而言，除非在权利要求中另有规定，否则可以任意顺序执行所公开方法的操作。附图中：图1示出了本专利技术的基于扩展卷积对抗自编码器(ECAAE)模型的故障诊断测试流程图；图2示出了根据本专利技术的振动信号转化为RGB通道的示意图；图3示出了根据本专利技术的基于扩展卷积对抗自编码器(ECAAE)模型的结构简图；图4示出了图3所示的ECAAE)模型的训练和学习阶段；图5示出了使用了扩展AAE结构的CNN的故障诊断测试精度增量图；图6示出了用于比较信号转换方法的1D-VGG13和2D-VGG13在每个数据集上的性能。具体实施方式在详细解释本公开的一个或多个实施例之前，应当理解，实施例不限于它们具体应用中的构造细节，以及下文实施方式或附图所提出步骤或方法。在基本的深度学习算法中，卷积神经网络(CNN)是最主要的识别模型之一，尤其是在数据条件较差的情况下。对抗式自动编码器(AAE)是一种可以将自动编码器转换为生成模型的通用方法，它结合了自编码器(AE)的半监督学习能力和GAN的生成能力，在许多场景下比传统生成对抗网络（GAN）更容易训练，并且能更好地捕捉到数据流形。因此，将CNN的特征提取能力与AAE的半监督学习和数据生成能力相结合，是实现EMA在变化工况、样本不平衡和小样本的情况下的鲁棒故障诊断测试的一种可行方法。现在参考图1，图1示出了本专利技术的基于扩展卷积对抗自编码器(ECAAE)模型的故障诊断测试流程图，其包括多个步骤：步骤1：获取执行部件的振动信号；步骤2：振动信号数据转化为RGB图像；步骤3：将所述RG本文档来自技高网...

【技术保护点】
1.一种基于扩展卷积对抗自编码器模型的故障诊断测试方法，包括：/n获取执行部件的振动信号；/n将振动信号数据转化为RGB图像；/n将所述RGB图像信号送入已构建的扩展卷积对抗自编码器ECAAE模型，输出诊断结果；/n其特征在于，所述ECAAE模型的构建过程包括：/n通过样本重构对所述ECAAE模型进行第一次训练；/n通过输入带标签样本对第一次训练过的ECAAE模型进行正则化，得到正则化的ECAAE模型；/n通过不平衡标签小批数据对所述正则化的ECAAE模型进行半监督分类处理，以得到给定类样本的生成器；以及/n利用所述生成器对原有样本集进行平衡和扩增，对ECAAE模型的分类器进行微调，从而构建所述ECAAE模型。/n

【技术特征摘要】
1.一种基于扩展卷积对抗自编码器模型的故障诊断测试方法，包括：
获取执行部件的振动信号；
将振动信号数据转化为RGB图像；
将所述RGB图像信号送入已构建的扩展卷积对抗自编码器ECAAE模型，输出诊断结果；
其特征在于，所述ECAAE模型的构建过程包括：
通过样本重构对所述ECAAE模型进行第一次训练；
通过输入带标签样本对第一次训练过的ECAAE模型进行正则化，得到正则化的ECAAE模型；
通过不平衡标签小批数据对所述正则化的ECAAE模型进行半监督分类处理，以得到给定类样本的生成器；以及
利用所述生成器对原有样本集进行平衡和扩增，对ECAAE模型的分类器进行微调，从而构建所述ECAAE模型。


2.根据权利要求1所述的故障诊断测试方法，其特征在于，所述ECAAE包括：一个编码器/生成器子网络，一个解码器子网络和两个鉴别器子网络。


3.根据权利要求1所述的故障诊断测试方法，其特征在于，所述振动信号为三轴加速度传感器所测的X轴加速度信号、Y轴加速度信号和Z轴加速度信号；将振动信号数据转化为RGB图像包括：
对所述X轴加速度信号、Y轴加速度信号和Z轴加速度信号分别进行整形后，进行归一化处理，得到归一化的X轴加速度信号、Y轴加速度信号和Z轴加速度信号；
将归一化的X轴加速度信号、Y轴加速度信号和Z轴加速度信号叠加形成RGB图像。


4.根据权利要求1-3中任一项所述的故障诊断测试方法，其特征在于，所述振动信号的样本长度为N2，对于给定一个样本，c=0,1,2(表示轴)，则转换后图像的像素强度为



其中，为取整函数。
...

【专利技术属性】
技术研发人员：陶来发，王超，吕琛，马剑，丁宇，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11