一种带梯度惩罚的DCGAN的故障样本生成方法及系统技术方案

本发明专利技术涉及一种带梯度惩罚的DCGAN的故障样本生成方法及系统，其包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述深度卷积生成对抗网络模型得到生成故障样本集。本发明专利技术能有效扩充故障样本，为复杂机电系统故障诊断提供支持。系统故障诊断提供支持。系统故障诊断提供支持。

【技术实现步骤摘要】
一种带梯度惩罚的DCGAN的故障样本生成方法及系统


[0001]本专利技术涉及一种机械故障诊断
，特别是关于一种带梯度惩罚的DCGAN的故障样本生成方法及系统。

技术介绍

[0002]典型复杂机电系统如燃气轮机广泛应用在航空、舰船、发电等领域。燃气轮机因结构复杂，工作环境特殊，故障发生后设备维修可能导致设备长时间无法投入生产，造成很大损失。目前国内外燃气轮机故障诊断技术仍然采用时频域分析等传统诊断方法，难以满足如今快速、准确、智能等故障诊断需求。由于燃气轮机故障数据难以获取和数据分布不平衡等原因，智能故障诊断又受困于故障数据量不足问题，因而如何扩充燃气轮机故障数据，满足燃气轮机故障诊断需求数据量，进而解决数据分布不平衡等问题迫在眉睫。
[0003]作为当下机器学习领域主要研究方向之一，生成对抗网络(generative adversarial nets,GAN)在数据生成研究领域越发成熟，针对燃气轮机故障数据难以获取和数据分布不平衡等问题，GAN无需人为标记数据集，在源数据中就能自发进行学习，且学习效果较好。然而，发展初始阶段的GAN模型很难生成指定需求的结果，当下基于GAN故障诊断方法虽然广泛研究且可靠度较高，但燃气轮机振动信号故障数据样本难以获取且数据分布不均，适应其特点的GAN故障样本生成模型对于燃气轮机故障诊断而言关键而又缺乏，仍需提升已有模型生成故障样本准确率，加快模型训练和样本生成效率。

技术实现思路

[0004]针对上述燃气轮机故障数据难以获取和数据分布不平衡等问题，本专利技术的目的是提供一种带梯度惩罚的DCGAN的故障样本生成方法及系统，其能有效扩充故障样本，为复杂机系统故障诊断提供支持。
[0005]为实现上述目的，本专利技术采取以下技术方案：一种带梯度惩罚的DCGAN的故障样本生成方法，其包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0006]进一步，所述生成器包括：
[0007]输入为符合高斯分布随机噪声向量，子网络由5个隐藏层组成，在每层隐藏层中采用LeakyRelu激活函数，同时批量归一化；
[0008]所述符合高斯分布随机噪声向量输入所述生成器后，生成灰度图像为假数据，作为所述生成样本。
[0009]进一步，所述判别器包括：
[0010]所述判别器的子网络由多层卷积神经网络构成，输出前一层网络采用tanh激活函数，其余网络层采用Relu激活函数；
[0011]第一层卷积神经网络作为输入通道，所述生成样本和所述二维灰度图像作为输入样本，经l+1层卷积神经网络提取输入样本卷积特征，得到样本真假分类结果。
[0012]进一步，所述根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，包括：
[0013]对真假样本进行联合空间取样，所述真假样本包括所述生成样本和所述故障样本；
[0014]根据空间联合取样得到所述判别器的输出，对所述判别器的输出和所述联合空间取样进行联合求导得到梯度grad；
[0015]对所述梯度grad进行平方差处理，得到真假样本的损失函数loss
eps
；
[0016]将所述真假样本的损失函数loss
eps
差加权合并，得到所述判别器的最终损失函数D
loss
；
[0017]根据梯度下降法得到所述生成器的初始损失函数ploss，根据所述初始损失函数ploss，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到所述生成器的最终损失函数G
loss
。
[0018]进一步，所述对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，包括：
[0019]将所述生成样本和所述故障样本中的有标签图像、无标签图像和生成样本图像，按batch
‑
size输入所述判别器；
[0020]固定所述生成器的网络参数，采用OGP算法优化迭代训练损失函数，优化所述判别器权重参数；
[0021]固定所述判别器的网络参数，选取全连接层输出作为中间层特征，采用OGP算法更新所述生成器权重参数；
[0022]判断所需精度达到损失阈值，达到则保存网络参数，完成训练。
[0023]进一步，所述OGP算法包括：
[0024]在惩罚项中加入方向，保证所述深度卷积生成对抗网络模型更快收敛，找到更优解。
[0025]进一步，所述更优解为：
[0026][0027][0028]式中，x表示真实样本，z表示随机噪声，表示样本空间中的所有点，全部的真实数据和生成数据，G(z)表示生成器输入随机噪声后得到的一组虚假样本；OGP表示加入惩罚项后的正交梯度惩罚，λ
gp
表示梯度惩罚项的常系数，表示D(
·
)数学期望，将真实数据带入生成数据之后得到的平均值，下标表示全部的真实数据和生成数据概率，表示梯
度，D(
·
)表示判别器，表示加入方向的正交梯度惩罚项。
[0029]一种带梯度惩罚的DCGAN的故障样本生成系统，其包括：第一处理模块，构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；第二处理模块，对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；训练模块，根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0030]一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
[0031]一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行上述方法中的任一方法的指令。
[0032]本专利技术由于采取以上技术方案，其具有以下优点：
[0033]本专利技术采用正交梯度惩罚深度卷积生成对抗网络(DCGAN
‑
OGP)生成燃气轮机故障样本，能有效扩充故障样本，为燃气本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带梯度惩罚的DCGAN的故障样本生成方法，其特征在于，包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。2.如权利要求1所述带梯度惩罚的DCGAN的故障样本生成方法，其特征在于，所述生成器包括：输入为符合高斯分布随机噪声向量，子网络由5个隐藏层组成，在每层隐藏层中采用LeakyRelu激活函数，同时批量归一化；所述符合高斯分布随机噪声向量输入所述生成器后，生成灰度图像为假数据，作为所述生成样本。3.如权利要求1所述带梯度惩罚的DCGAN的故障样本生成方法，其特征在于，所述判别器包括：所述判别器的子网络由多层卷积神经网络构成，输出前一层网络采用tanh激活函数，其余网络层采用Relu激活函数；第一层卷积神经网络作为输入通道，所述生成样本和所述二维灰度图像作为输入样本，经l+1层卷积神经网络提取输入样本卷积特征，得到样本真假分类结果。4.如权利要求1所述带梯度惩罚的DCGAN的故障样本生成方法，其特征在于，所述根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，包括：对真假样本进行联合空间取样，所述真假样本包括所述生成样本和所述故障样本；根据空间联合取样得到所述判别器的输出，对所述判别器的输出和所述联合空间取样进行联合求导得到梯度grad；对所述梯度grad进行平方差处理，得到真假样本的损失函数loss
eps
；将所述真假样本的损失函数loss
eps
差加权合并，得到所述判别器的最终损失函数D
loss
；根据梯度下降法得到所述生成器的初始损失函数ploss，根据所述初始损失函数ploss，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到所述生成器的最终损失函数G
loss
。5.如权利要求1所述带梯度惩罚的DCGAN的故障样本生成方法，其特征在于，所述对所述正交梯度惩罚深度卷积生成对抗网络模型进行学...

【专利技术属性】
技术研发人员：王红军，王政博，张翔，刘淑聪，王楠，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：