一种基于生成对抗机制的旋转机械故障诊断方法及系统技术方案

本发明专利技术公开了一种基于生成对抗机制的旋转机械故障诊断方法及系统，属于旋转机械故障诊断技术领域，包括以下步骤：S1：采集训练样本并初始化网络；S2：训练自编码层；S3：训练Softmax分类层；S4：对深度学习网络进行调整；S5：旋转机械故障诊断。本发明专利技术采用生成对抗机制增强自编码器模型进行旋转机械故障特征学习的鲁棒性，并结合Softmax分类层，实现旋转机械故障诊断，具备适用性强和稳定性高的优良特性，值得被推广使用。值得被推广使用。值得被推广使用。

【技术实现步骤摘要】
一种基于生成对抗机制的旋转机械故障诊断方法及系统


[0001]本专利技术涉及旋转机械故障诊断
，具体涉及一种基于生成对抗机制的旋转机械故障诊断方法及系统。

技术介绍

[0002]旋转机械是指主要依靠旋转动作完成特定功能的机械，典型的旋转机械有汽轮机、燃气轮机、离心式和轴流式压缩机、风机、泵、水轮机、发电机和航空发动机等，广泛应用于电力、石化、冶金和航空航天等部门。
[0003]传统旋转机械故障诊断方法存在一定的局限性，不能自动提取特征，需手动提取特征，而自编码器解决了特征自学习问题，具有自动提取特征的优点，为了减小利用自编码器所学习特征进行样本重构的误差，采用生成对抗机制提高特征学习的鲁棒性，为了实现准确的旋转机械故障诊断，提出一种基于生成对抗机制的旋转机械故障诊断方法及系统。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：如何减小利用自编码器所学习特征进行样本重构的误差，提高特征学习的鲁棒性，进而实现准确的故障诊断，提供了一种基于生成对抗机制的旋转机械故障诊断方法，该方法具有分类性能好、可靠性高且适应性强的优良特性。
[0005]本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：
[0006]S1：采集训练样本并初始化网络
[0007]采集并选择旋转机械故障训练样本数据集，构建基于生成对抗机制的自编码深度学习网络，并初始化网络；
[0008]S2：训练自编码层
[0009]将自编码层的编码器部分中前一层隐含层的输出作为后一层隐含层的输入，训练基于生成对抗机制的自编码层，利用训练后的自编码器自动提取输入样本的特征；
[0010]S3：训练Softmax分类层
[0011]舍弃训练后自编码器的解码器部分，将自编码器的编码器部分中最后一层隐含层输出作为Softmax分类层的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类层进行旋转机械故障诊断；
[0012]S4：对深度学习网络进行调整
[0013]将步骤S2和S3中各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个自编码深度学习网络进行调整得到分类器；
[0014]S5：旋转机械故障诊断
[0015]将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。
[0016]更进一步地，在所述步骤S1中，旋转机械故障训练样本数据集包括多个旋转机械故障训练样本数据，其中，旋转机械故障训练样本数据从旋转机械滚动轴承多种工况下的振动信号数据中选择。
[0017]更进一步地，在所述步骤S2中，训练基于生成对抗机制的自编码层的过程为：基于损失函数最小化，利用反向传播算法和梯度下降法对基于生成对抗机制的自编码器中的权重矩阵和偏置向量进行更新。
[0018]更进一步地，在所述步骤S2中，训练基于生成对抗机制的自编码器的损失函数如下：
[0019]J＝J
AE
+J
gen
+J
dis
[0020][0021][0022][0023]在上述各式中，m为样本个数；x、x
′
分别为自编码器的输入和输出向量；D(x)表示判别器的输出结果，E(
·
)表示分布函数的期望值。
[0024]更进一步地，在所述步骤S2中，生成对抗机制中的真样本来自于服从先验分布为标准高斯分布的采样。
[0025]更进一步地，在所述步骤S3中，Softmax分类层的损失函数如下：
[0026][0027]其中，k为类别数；z和y分别为Softmax分类层的输入和输出向量；w
(L)
为Softmax分类层的权值矩阵；w
θ
表示权重矩阵w
(L)
的第θ列即与第θ个Softmax输出结点相连接的输入权值。
[0028]更进一步地，在所述步骤S4中，调整得到分类器的过程为：将各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法基于损失函数J
AE
‑
softmax
进行优化，对整个自编码深度学习网络中的权重矩阵和偏置向量进行有监督的调整。
[0029]更进一步地，所述训练样本的类别标签包括正常数据、不同损伤直径的旋转机械滚动轴承内圈故障、旋转机械滚动轴承外圈故障、旋转机械滚动轴承滚动体故障数据。
[0030]更进一步地，在所述步骤S5中，待故障诊断样本数据为旋转机械滚动轴承的振动信号数据。。
[0031]本专利技术还公开了一种基于生成对抗机制的旋转机械故障诊断系统，采用上述的诊断方法对旋转机械故障进行诊断，包括：
[0032]初始化模块，用于采集并选择旋转机械故障训练样本数据集，构建基于生成对抗机制的自编码深度学习网络，并初始化网络；
[0033]第一训练模块，用于将自编码层的编码器部分中前一层隐含层的输出作为后一层隐含层的输入，训练基于生成对抗机制的自编码层，利用训练后的自编码器自动提取输入样本的特征；
[0034]第二训练模块，用于舍弃训练后自编码器的解码器部分，将自编码器的编码器部分中最后一层隐含层输出作为Softmax分类层的输入，基于训练样本的类别标签，对
Softmax分类层进行预训练，通过Softmax分类层进行旋转机械故障诊断；
[0035]调整模块，用于将步骤S2和S3中各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个自编码深度学习网络进行调整得到分类器；
[0036]诊断模块，用于将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果；
[0037]控制处理模块，用于向其余各模块发出控制指令，完成相应动作；
[0038]所述初始化模块、初始化模块、第二训练模块、调整模块、诊断模块均与所述控制处理模块通信连接。
[0039]本专利技术相比现有技术具有以下优点：采用生成对抗机制增强自编码器模型进行旋转机械故障特征学习的鲁棒性，并结合Softmax分类层，实现旋转机械故障诊断，具备适用性强和稳定性高的优良特性，值得被推广使用。
附图说明
[0040]图1是本专利技术实施例一中基于生成对抗机制的旋转机械故障诊断方法的流程示意图；
[0041]图2是本专利技术实施例一中基于生成对抗机制的自编码层框架示意图；
[0042]图3是本专利技术实施例一中分类器的框架示意图。
具体实施方式
[0043]下面对本专利技术的实施例作详细说明，本实施例在以本专利技术技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0044]实施例一
[0045]本实施例提供一种技术方案：一种基于生成对抗机制的旋转机械故障诊断方法，包括以下步骤：
[0046]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于，包括以下步骤：S1：采集训练样本并初始化网络采集并选择旋转机械故障训练样本数据集，构建基于生成对抗机制的自编码深度学习网络，并初始化网络；S2：训练自编码层将自编码层的编码器部分中前一层隐含层的输出作为后一层隐含层的输入，训练基于生成对抗机制的自编码层，利用训练后的自编码器自动提取输入样本的特征；S3：训练Softmax分类层舍弃训练后自编码器的解码器部分，将自编码器的编码器部分中最后一层隐含层输出作为Softmax分类层的输入，基于训练样本的类别标签，对Softmax分类层进行预训练，通过Softmax分类层进行旋转机械故障诊断；S4：对深度学习网络进行调整将步骤S2和S3中各层单独训练所得到的权重进行整个网络权重初始化，基于训练样本的类别标签，利用反向传播算法对整个自编码深度学习网络进行调整得到分类器；S5：旋转机械故障诊断将待故障诊断样本数据作为分类器的输入，得到其故障诊断结果。2.根据权利要求1所述的一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于：在所述步骤S1中，旋转机械故障训练样本数据集包括多个旋转机械故障训练样本数据，其中，旋转机械故障训练样本数据从旋转机械滚动轴承多种工况下的振动信号数据中选择。3.根据权利要求2所述的一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于：在所述步骤S2中，训练基于生成对抗机制的自编码层的过程为：基于损失函数最小化，利用反向传播算法和梯度下降法对基于生成对抗机制的自编码器中的权重矩阵和偏置向量进行更新。4.根据权利要求3所述的一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于：在所述步骤S2中，训练基于生成对抗机制的自编码器的损失函数如下：J＝J
AE
+J
gen
+J
disdisdis
在上述各式中，m为样本个数；x、x
′
分别为自编码器的输入和输出向量；D(x)表示判别器的输出结果，E(
·
)表示分布函数的期望值。5.根据权利要求4所述的一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于：在所述步骤S2中，生成对抗机制中的真样本来自于服从先验分布为标准高斯分布的采样。6.根据权利要求5所述的一种基于生成对抗机制的旋转机械故障诊断方法，其特征在于：在所述步骤S3中，Softmax分类层...

【专利技术属性】
技术研发人员：王兵，吴紫恒，赵远，汪文艳，
申请(专利权)人：安徽工业大学芜湖技术创新研究院，
类型：发明
国别省市：