一种基于生成对抗网络的轴承震动信号增广方法技术

本发明专利技术公开了一种基于生成对抗网络的轴承震动信号增广方法，包括以下步骤：步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；步骤(2)通过优化器进行特征提取；步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；步骤(4)训练优化器；步骤(5)使用交叉熵损失的方法优化判别器；步骤(6)优化器和判别器交替更新，当判别器无法将优化后的数据正确分类时算法终止。本发明专利技术只需要较少的现实工作的震动数据就能生成对此工况下轴承的特有的震动数据。此工况下轴承的特有的震动数据。此工况下轴承的特有的震动数据。

【技术实现步骤摘要】
一种基于生成对抗网络的轴承震动信号增广方法


[0001]本专利技术涉及机器学习
，特别涉及一种基于生成对抗网络的轴承震动信号增广方法。

技术介绍

[0002]近年来，深度学习在计算机视觉、语音识别、自然语言处理等领域获得了巨大的成功，且在多个标准数据集上都取得了最优的结果。但是高准确率的背后需要的是大量的优质的标注数据，现实中数据的标注成本是较高的，这对于一些小型公司乃至一些大公司都是无法承受的。因此需要将在实验室获得的数据迁移到现实场景中，而不是针对每一个不同工作情况下的数据都进行重新训练。同时由于许多现实的应用场景没有条件获取足够的带标签的训练样本，而本专利技术用少量无标签的现实数据生成的数据，同时具有实验室数据特征和现实工况下数据特征。
[0003]生成对抗网络的提出是为了生成逼真的视觉图像,生成对抗网络的框架是由两个具有竞争性损失的网络(生成器和鉴别器)。生成网络的目的是将随机向量映射到真实图像，而鉴别器的目标是区分生成的图像和真实的图像。两个网络在对抗中进步，在进步后继续对抗，由生成网络得的数据也就越来越完美，逼近真实数据，从而可以生成想要得到的数据。当判别器不能判断出结果，此时两个网络都得到最优解，迭代结束。
[0004]卷积神经网络中网络深度是非常重要的，但随着网络深度的加深，会导致更高的训练误差。对于一般的卷积神经网络，由此产生的梯度消失和爆炸可用正则化来解决，但若出现了训练集上准确率的饱和下降的问题，这就需要引用残差网络来解决。与普通的神经网络相比，残差网络拥有可以使更深的卷积层直接学习残差的旁路。解决了信息传递时信息丢失和损耗的问题，同时残差网络只需要关注输入到输出中不同的那部分，使得学习的难度有所下降。
[0005]任何机器设备在工作一段时间后都会变为欠健康状态，可能会发生故障。随着技术的发展，通过分析设备运行积累的历史数据来判断设备的运行状态，从数据中识别异常的数据，进行设备的故障监测和寿命预测。由于每个机器的工作情况都不相同，在一台机器上测得数据不能迁移到其他机器上，如果重新在其他机器上训练数据，其数据成本又会增加。本专利技术通过提取现实加工数据的特征，能提高故障检测和寿命预测准确率，有效降低训练成本。
[0006]本专利技术在生成对抗网络的框架下，为了尽可能的提取特征和简化网络，选择残差网络作为优化器。优化后的实验室数据和现实工况的数据在辨别器中进行分类判别，交替优化优化器和辨别器，当其无法辨别时，整个模型达到最优。本专利技术使用少量现实工况下的轴承震动信息，结合在实验室中采集到的数据，对在此现实工况下轴承震动信号的增广。

技术实现思路

[0007]本专利技术的目的是提供一种基于生成对抗网络的轴承震动信号增广方法，以解决由
于现实中不同工作情况下轴承工作中的震动数据难以获取，难以生成每个轴承特有震动模型的问题。
[0008]一种基于生成对抗网络的轴承震动信号增广方法，包括以下步骤：
[0009]步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；
[0010]步骤(2)通过优化器进行特征提取；
[0011]步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；
[0012]步骤(4)训练优化器；
[0013]步骤(5)使用交叉熵损失的方法优化判别器；
[0014]步骤(6)优化器和判别器交替更新，当判别器无法将优化后的数据正确分类时算法终止。
[0015]所述步骤(1)中，实验室的数据是在实验室中直接测得的轴承工作数据，或者是由通过拟合实验室中的轴承工作震动数据得到泛化的模型生成。
[0016]所述步骤(2)中，优化器为残差神经网络，残差神经网络由几块残差块组成，每一个残差块都根据公式x
i+1
＝x
i
+F(x
i
,W
i
)进行运算；其中x
i
为残差网络的输入值，F(x
i
,W
i
)为一个差残块的输出值，它们的和作为下一个残差块的输入值；经过所有的残差块后的结果作为整个残差网络的输出值R(x
i
)。残差神经网络和一般的神经网络相比容易优化，并且能够通过增加相当的深度来提高准确率。
[0017]所述步骤(2)中，残差神经网络由4个残差块组成，若输入的数据和输出的数据它们的特征数不一样，还需要加入1x1卷积进行维度变化。
[0018]所述步骤(3)中，判别器为卷积神经网络，由5个卷积层和两个池化层组成，其中池化层分别为最大值池化层和归一化指数函数层，将卷积神经网络的输出值最后通过归一化指数函数，使其转换为在[0,1]之间的概率分布。
[0019]所述步骤(3)中，判别器的激活函数为LeakyReLU。神经网络的激活函数一般都选用ReLU。与ReLU不同的是，当的输入值小于0，LeakyReLU为负且有微小梯度。其优点为对于输入小于0时，依然可以得到梯度。
[0020]所述步骤(4)中，使用交叉熵损失并加入正则化项作为优化优化器的方法，模型的损失函数公式为其中，二分类任务中的交叉熵损失公式为其中是优化后的数据通过判别器判定为现实加工数据的概率，y是样本标签，当样本属于现实加工震动样本时，样本标签取0，正则化项为每个对应的优化后的数据和实验数据差值的绝对值之和。为了保留实验室数据的特征，加入正则化项，使优化前后的数据的差异尽可能小。
[0021]所述步骤(5)中，根据二分类任务中的交叉熵公式可知，当判别的样本为优化数据R(x
i
)时，样本标签y取1，损失函数为D
ref
＝log(D(R(x
i
)))，当判别的样本为现实震动数据x
real
时，样本标签取0，则损失函数D
real
＝log(D(x
real
))，它们的和为判别器的损失函数。
[0022]所述步骤(6)中，交替更新时，每更新一次判别器的同时更新两次优化器，当判别器判断优化的数据属于正确分类的概率近似于50％时，停止更新，此时的优化器模型达到
最优。
[0023]有益效果：本专利技术在对抗生成网络的框架下，将经过优化器优化后的数据和少量实际工况下轴承震动数据输入辨别器。交替更新优化器和辨别器的参数，当辨别器无法判断时，此时整个模型达到最优。因此本模型不仅最大程度上贴合现实工况，而且也保留了实验室中的大部分特征。本专利技术将通过优化器优化后的实验室数据和现实工况下的轴承震动数据进行对比判别，交替优化判别器和优化器使其模型达到最优。这种方法不仅可以用很小的现实数据获得此时工况下的轴承震动数据，而且也保留了实验室数据的特征。相比于现有技术，具有以下优点：
[0024](1)本专利技术从实验室中测得的和少量现实加工时的轴承震动直接学习并进行轴承现实加本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的轴承震动信号增广方法，其特征在于：包括以下步骤：步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；步骤(2)通过优化器进行特征提取；步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；步骤(4)训练优化器；步骤(5)使用交叉熵损失的方法优化判别器；步骤(6)优化器和判别器交替更新，当判别器无法将优化后的数据正确分类时算法终止。2.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(1)中，实验室的数据是在实验室中直接测得的轴承工作数据，或者是由通过拟合实验室中的轴承工作震动数据得到泛化的模型生成。3.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(2)中，优化器为残差神经网络，残差神经网络由几块残差块组成，每一个残差块都根据公式x
i+
1＝x
i
+F(x
i
,W
i
)进行运算；其中x
i
为残差网络的输入值，F(x
i
,W
i
)为一个差残块的输出值，它们的和作为下一个残差块的输入值；经过所有的残差块后的结果作为整个残差网络的输出值R(x
i
)。4.根据权利要求3所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(2)中，残差神经网络由4个残差块组成，若输入的数据和输出的数据它们的特征数不一样，还需要加入1x1卷积进行维度变化。5.根据权利要求1所述的基于生成对抗网络的轴承震动...

【专利技术属性】
技术研发人员：邵星，吴晟凯，王翠香，皋军，顾辉，唐伯宇，彭启明，
申请(专利权)人：盐城工学院，
类型：发明
国别省市：