样本不均衡下基于生成对抗网络的转动部件故障诊断方法技术

本发明专利技术提供了样本不均衡下基于生成对抗网络的转动部件故障诊断方法，包括如下步骤：获得带有不同健康状态标签的不均衡样本序列；基于重叠采样的方法，将不均衡样本序列划分为若干段振动信号；利用小波连续变换方法，将划分的振动信号转化为二维时频图像，获得不均衡数据集；构建改进深度卷积生成对抗网络；基于不均衡数据集对改进深度卷积生成对抗网络进行训练；基于训练后的改进深度卷积生成对抗网络，获得故障数据；将故障数据补充到不均衡数据集中，获得均衡数据集；构建改进密集块的密集连接卷积神经网络；基于均衡数据集对改进密集块的密集连接卷积神经网络进行训练；基于训练后的改进密集块的密集连接卷积神经网络，完成转动部件故障分类。成转动部件故障分类。成转动部件故障分类。

【技术实现步骤摘要】
样本不均衡下基于生成对抗网络的转动部件故障诊断方法


[0001]本专利技术属于神经网络
，尤其涉及样本不均衡下基于生成对抗网络的转动部件故障诊断方法。

技术介绍

[0002]旋转机械中包含滚动轴承，齿轮，电机转子等部件，在现代工业中得到广泛应用，任一部件故障会导致严重的安全性损失和巨大的维护成本。在过去的几十年里，人们进行了大量的研究来开发有效的故障诊断方法。基于信号处理和浅层机器学习的传统智能故障诊断方法在20世纪80年代至21世纪10年代开始流行，能够解决高不确定性和低计算复杂度的问题，代替了依靠专家经验的诊断方法。但是，随着现代智能工业化的快速发展，传统智能故障诊断方法面临诸多难题无法解决。如无法处理庞大的采集数据，难以应对复杂多变的实际工业环境以及泛化能力和自学习能力差，无法满足低成本传感器的广泛应用和工业互联网的普及对工业数据的需求。近几年，随着计算机运算能力的大幅提高，为深度学习的广泛发展和应用奠定了基础，逐渐消除了传统故障诊断算法的局限性。基于深度学习的端到端智能故障诊断算法避免了人工特征工程，解决了分阶段训练和误差传播的关键问题。
[0003]一般来说，深度学习网络的智能诊断模型往往建立在充分的机器监控数据分析基础上的。训练数据越充分，训练集中的故障类型越丰富，智能诊断模型的诊断精度就越高。然而，在现实工程场景中，机器通常在正常条件下工作，很少出现故障。尽管由多个传感器组成的状态监测系统可以不断地从机器中收集数据，但所收集的数据大部分是健康数据，故障数据量很小。在这种情况下，如果直接用有限的故障数据训练智能诊断模型，容易出现泛化性能差、故障识别准确率低的问题。

技术实现思路

[0004]为解决上述技术问题，本专利技术提出样本不均衡下基于生成对抗网络的转动部件故障诊断方法，通过构建改进深度卷积生成对抗网络和密集连接卷积神经网络的故障诊断模型，并将其应用在轴承、齿轮和电机转子故障诊断中。该方法能够更好地提取转动部件的数据特征并且更充分地利用数据特征，具有更好的分类能力。
[0005]为实现上述目的，本专利技术提供了样本不均衡下基于生成对抗网络的转动部件故障诊断方法，包括如下步骤：
[0006]获得带有不同健康状态标签的不均衡样本序列；
[0007]基于重叠采样的方法，将所述不均衡样本序列划分为若干段振动信号；
[0008]利用小波连续变换方法，将划分的振动信号转化为二维时频图像，基于所述二维时频图像，获得不均衡样本数据集；
[0009]构建改进深度卷积生成对抗网络；
[0010]基于所述不均衡样本数据集对所述改进深度卷积生成对抗网络进行训练；
[0011]基于训练后的所述改进深度卷积生成对抗网络，获得故障数据；
[0012]将所述故障数据补充到所述不均衡样本数据集中，获得均衡数据集；
[0013]构建改进密集块的密集连接卷积神经网络；
[0014]基于所述均衡数据集对所述改进密集块的密集连接卷积神经网络进行训练；
[0015]基于训练后的所述改进密集块的密集连接卷积神经网络，完成转动部件故障分类。
[0016]可选地，获得带有不同健康状态标签的不均衡样本序列的方法为：
[0017]采集机械设备某一转动部件不同位置的振动信号；
[0018]对不同工况下的所述振动信号标记对应的健康和故障类别标签，构成带有不同健康状态标签的不均衡样本序列。
[0019]可选地，机械设备转动部件为滚动轴承、齿轮和电机转子。
[0020]可选地，所述振动信号为转动部件的位移、速度和加速度信号。
[0021]可选地，构建改进深度卷积生成对抗网络的方法为：
[0022]生成器部分：随机噪声作为输入，第一层全连接层,接入批归一化层，之后接入三层反卷积层，卷积核大小为3
×
3，步长为1，激活函数为ReLU，之后连接池化层，所述池化层为均值池化层，所述反卷积层和所述池化层之后引入全局上下文网络，最终输入伪造故障样本；
[0023]判别器部分：将真实样本和所述生成器部分生成的样本作为输入，接入四层卷积层，卷积核大小为3
×
3，步长为2，激活函数为LeakyReLU，之后连接池化层，所述池化层为均值池化层，之后接入全连接层，激活函数为Sigmoid，最终输出判别输入样本的真伪。
[0024]可选地，对所述改进深度卷积生成对抗网络进行训练的方法为：
[0025]基于所述不均衡数据集，采用矫正自适应动量估计RAdam优化算法，完成对所述改进深度卷积生成对抗网络的训练。
[0026]可选地，所述均衡数据集包括：训练集和测试集。
[0027]可选地，构建改进密集块的密集连接卷积神经网络的方法为：
[0028]第一层为卷积层，卷积核大小为3
×
3，步长为1，后连接池化层，池化层为均值池化层；
[0029]第一层卷积层和池化层之后连接改进密集块，改进密集块内部链路为BN层和卷积层，卷积核为1
×
1，步长为1，之后连接BN层和卷积核为3
×
3，步长为1的卷积层，再之后连接风格再校准模块；所述改进密集块结构由7个所述改进密集块内部链路使用密集连接的方式组成；
[0030]依次连接3个所述改进密集块，所述改进密集块之间过渡层由BN层、卷积核为1
×
1，步长为1的卷积层和池化层组成；
[0031]网络尾端连接全连接层。
[0032]可选地，对所述改进密集块的密集连接卷积神经网络进行训练的方法为：
[0033]基于所述训练集，采用自适应动量估计Adam优化算法，完成对所述改进密集块的密集连接卷积神经网络的训练。
[0034]可选地，完成故障分类的方法为：
[0035]将所述训练集输入所述改进密集块的密集连接卷积神经网络进行迭代训练，将所述测试集输入到训练完成的所述改进密集块的密集连接卷积神经网络中，得到诊断结果，
完成转动部件故障分类。
[0036]与现有技术相比，本专利技术具有如下优点和技术效果：
[0037]1、本专利技术提出的改进深度卷积生成对抗网络的故障数据生成模型，主要是将深度卷积生成对抗网络模型的生成器网络结合全局上下文网络来改进生成器卷积操作，在判别器网络中使用谱归一化层代替的批量标准化层。解决了生成对抗网络不能很好地重构滚动轴承故障样本的图像信息以及判别器在训练过程中存在不稳定的问题。
[0038]2、本专利技术提出的结合风格再校准模块的密集连接卷积神经网络智能故障诊断神经网络模型。通过对特征图进行重新加权以及特征复用，避免有效信息缺失，降低了无关信息的干扰，增强模型对故障特征的提取能力。解决了传统故障诊断中浅层特征对振动信号故障信息表征能力不足的问题。
[0039]3、本专利技术提出的改进深度卷积生成对抗网络和密集连接卷积神经网络的故障诊断模型与传统的卷积神经网络模型相比，本专利技术能够更好地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.样本不均衡下基于生成对抗网络的转动部件故障诊断方法，其特征在于，包括以下步骤，获得带有不同健康状态标签的不均衡样本序列；基于重叠采样的方法，将所述不均衡样本序列划分为若干段振动信号；利用小波连续变换方法，将划分的振动信号转化为二维时频图像，基于所述二维时频图像，获得不均衡样本数据集；构建改进深度卷积生成对抗网络；基于所述不均衡样本数据集对所述改进深度卷积生成对抗网络进行训练；基于训练后的所述改进深度卷积生成对抗网络，获得故障数据；将所述故障数据补充到所述不均衡样本数据集中，获得均衡数据集；构建改进密集块的密集连接卷积神经网络；基于所述均衡数据集对所述改进密集块的密集连接卷积神经网络进行训练；基于训练后的所述改进密集块的密集连接卷积神经网络，完成转动部件故障分类。2.根据权利要求1所述的样本不均衡下基于生成对抗网络的转动部件故障诊断方法，其特征在于，获得带有不同健康状态标签的不均衡样本序列的方法为：采集机械设备某一转动部件不同位置的振动信号；对不同工况下的所述振动信号标记对应的健康和故障类别标签，构成带有不同健康状态标签的不均衡样本序列。3.根据权利要求2所述的样本不均衡下基于生成对抗网络的转动部件故障诊断方法，其特征在于，机械设备转动部件为滚动轴承、齿轮和电机转子。4.根据权利要求2所述的样本不均衡下基于生成对抗网络的转动部件故障诊断方法，其特征在于，所述振动信号为转动部件的位移、速度和加速度信号。5.根据权利要求1所述的样本不均衡下基于生成对抗网络的转动部件故障诊断方法，其特征在于，构建改进深度卷积生成对抗网络的方法为：生成器部分：随机噪声作为输入，第一层全连接层,接入批归一化层，之后接入三层反卷积层，卷积核大小为3
×
3，步长为1，激活函数为ReLU，之后连接池化层，所述池化层为均值池化层，所述反卷积层和所述池化层之后引入全局上下文网络，最终输入伪造故障样本；判别器部分：将真实样本和所述生成器部分生成的样本作为输入，接入四层卷积层，卷积核大小为3
×
3，步长为2，激活函数...

【专利技术属性】
技术研发人员：刘焱，
申请(专利权)人：青岛酒店管理职业技术学院，
类型：发明
国别省市：