一种对抗样本的生成方法及对抗样本的防御方法技术

本发明专利技术涉及一种对抗样本的生成方法包括：步骤1、对原始振动信号样本进行预处理，得到预处理后的样本x

A generation method of countermeasure samples and a defense method of countermeasure samples

【技术实现步骤摘要】
一种对抗样本的生成方法及对抗样本的防御方法


[0001]本专利技术涉及机械故障诊断领域，特别涉及一种对抗样本生成方法及对抗样本的防御方法。

技术介绍

[0002]随着重工业，航天业的快速发展，机械故障诊断对于保证设备安全运行和生产越来越重要。针对传统故障诊断方法难以解决人工提取的不确定性的问题，因此提出了大量深度学习的特征提取方法，极大的推动了机械故障诊断的发展，其中当前主流的方法是基于卷积神经网络进行诊断的。机械故障诊断系统通过记录机械的振动信号，并输入训练好的诊断系统来得到机械设备当前的状态，由此来定位故障的位置。但由于现有的机械故障诊断系统大多都是基于深度学习的方法，在理想情况下，能够达到非常高的识别准确率。尽管基于神经网络的机械故障诊断方法取得了长足的进步，然而现有的这些诊断方法鲁棒性较差，识别准确率很容易受来自外界的扰动影响，从而导致识别错误。
[0003]为此需要生成对抗样本，以对当前的模型进行鲁棒性评估，也可以通过对抗训练增强模型的鲁棒性。对抗样本是指一种被攻击者有目的加入细微扰动后的样本，其主要目的是导致深度神经网络性能失效，甚至诱导深度学习网络做出攻击者指定的判断。在人的感知上，对抗样本应具有与其对应的正常样本无异，却能使深度神经网络失效的性质。
[0004]但现有对抗样本的生成技术大都是针对图像，语音等方向的，如申请号为CN202111390854.1(申请公布号为CN114049537A)的中国专利技术专利公开了一种基于卷积神经网络的对抗样本防御方法。在振动信号的对抗样本生成方面，有针对性的方法还有待探索。另外对于图像和音频，可以通过人眼看出图像中的扰动，可以通过人耳听出音频中的扰动，图像和音频的失真度量方法常采用信噪比(SNR)来评判，以保证扰动尽可能地不易察觉。然而，由于振动信号很复杂，人眼和人耳都不能直接识别出扰动，因此对抗样本的传统失真度量方法并不适用于振动信号。为此需要进一步改进。

技术实现思路

[0005]本专利技术所要解决的第一个技术问题是针对上述现有技术提供一种对抗样本的生成方法，适用于对振动信号生成对抗样本，以提高机械故障诊断模型的鲁棒性。
[0006]本专利技术所要解决的第二个技术问题是针对上述现有技术提供一种针对上述方法生成的对抗样本的防御方法。
[0007]本专利技术解决上述第一个技术问题所采用的技术方案为：一种对抗样本的生成方法，用于将扰动加入到振动信号中，其特征在于：包括以下步骤：
[0008]步骤1、对原始振动信号样本进行预处理，得到预处理后的样本x
t
；该样本x
t
的采样序列依次为：x
t
(1)、x
t
(2)、
…
x
t
(n)
…
x
t
(N)；n∈{1、2
…
N}；N为样本x
t
的采样序列总个数；
[0009]步骤2、将该样本x
t
输入到目标网络f中，计算损失函数t的初始值为0；
[0010]步骤3、计算更新后的样本x
t+1
；根据下述公式对采样序列点x
t
(n)进行更新，得到
更新后的采样序列点x
t+1
(n)；
[0011][0012]其中，α为预设阈值，0＜α＜1；为对损失函数求取采样序列点x
t
(n)的梯度；为计算的符号函数；
[0013][0014][0015]依次使n＝1、2
…
N，得到更新后的采样序列点x
t+1
(1)、x
t+1
(2)、
…
x
t+1
(N)，即得到更新后的样本x
t+1
；
[0016]步骤4、对更新后的样本x
t+1
进行度量，得到该样本x
t+1
的度量结果；
[0017]具体为：采用滑动窗口将样本x
t+1
的采样序列点分成等长度的多个片段，通过下述计算公式计算每个片段的度量结果，并将每个片段的度量结果平均值作为该样本x
t+1
的度量结果；
[0018]某一个片段的度量结果Cost(s)计算公式为：
[0019][0020]其中，mean()为计算平均值的函数；S为每个片段的长度；s是某一个片段的起始位置；|x0(k)|2为计算x0(k)的绝对值平方；|x
t+1
(k)
‑
x0(k)|2为计算x
t+1
(k)
‑
x0(k)的绝对值平方；
[0021]步骤5、判断步骤4中度量结果是否大于预设的度量阈值，如是，则将x
t+1
作为x
t
的对抗样本，结束；如否，则将t值加1后更新t值，并转至步骤2。
[0022]作为改进，所述步骤1中对原始振动信号样本进行预处理，具体为：
[0023]将原始振动信号样本中的每个采样序列数据均归一化到[0,1]；归一化计算公式为：
[0024][0025]其中，x为采样序列数据，k(x)为采样序列x归一化后的数值。
[0026]优选地，所述步骤2中目标网络f为神经网络。该神经网络可以为现有技术中常见的卷积神经网络、深度神经网络等。
[0027]本专利技术解决上述第二个技术问题所采用的技术方案为：一种对抗样本的防御方法，用于对使用上述对抗样本的生成方法生成的振动信号对抗样本进行防御，其特征在于：
包括以下步骤：
[0028]步骤a、对采集的振动信号样本进行预处理；
[0029]步骤b、在上述对抗样本生成时使用的目标网络f中的不同神经网络层之间添加数据处理层，以构建成防御网络；
[0030]该数据处理层的计算公式为：
[0031][0032]其中，y
i
为数据处理层的输出，x
i
为数据处理层的输入，γ和δ均为需要学习的参数；m为每一批次输入到数据处理层的数据总个数；∈为预设常数；
[0033]步骤c、使用步骤a中多个预处理后的振动信号样本对构建的防御网络进行训练，得到训练完成后的防御网络。
[0034]在本方案中，所述步骤a中的预处理具体为将采集的振动信号样本归一化至[0，1]。
[0035]与现有技术相比，本专利技术的优点在于：本专利技术中构建的对抗样本能够以较高的成功率欺骗目标网络，并保证构建的振动信号对抗样本质量，此外对机械故障诊断系统的鲁棒性研究有着推动作用。另外本专利技术中针对攻击方法提出的简单但非常有效的防御方法，该防御方法通过在目标网络中添加数据处理层，以此来提高模型的鲁棒性，从而提高了目标网络的防御能力，能够极大降低对抗攻击的攻击成功率，同时也能够加快目标网络训练时的收敛速度。
附图说明
[0036]图1为本专利技术实施例中对抗样本生成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种对抗样本的生成方法，用于将扰动加入到振动信号中，其特征在于：包括以下步骤：步骤1、对原始振动信号样本进行预处理，得到预处理后的样本x
t
；该样本x
t
的采样序列依次为：x
t
(1)、x
t
(2)、...x
t
(n)...x
t
(N)；n∈{1、2...N}；N为样本x
t
的采样序列总个数；步骤2、将该样本x
t
输入到目标网络f中，计算损失函数t的初始值为0；步骤3、计算更新后的样本x
t+1
：根据下述公式对采样序列点x
t
(n)进行更新，得到更新后的采样序列点x
t+1
(n)；其中，α为预设阈值，0＜α＜1；为对损失函数求取采样序列点x
t
(n)的梯度；为计算的符号函数；的符号函数；依次使n＝1、2...N，得到更新后的采样序列点x
t+1
(1)、x
t+1
(2)、
…
x
t+1
(N)，即得到更新后的样本x
t+1
；步骤4、对更新后的样本x
t+1
进行度量，得到该样本x
t+1
的度量结果；具体为：采用滑动窗口将样本x
t+1
的采样序列点分成等长度的多个片段，通过下述计算公式计算每个片段的度量结果，并求取所有片段的度量结果的平均值作为该样本x
t+1
的度量结果；某一个片段的度量结果Cost(s)计算公式为：其中，me...

【专利技术属性】
技术研发人员：陈佳豪，严迪群，郑文强，
申请(专利权)人：宁波大学，
类型：发明
国别省市：