基于生成对抗网络的机械轴承故障分类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网络的机械轴承故障分类方法及系统，方法包括从机械振动数据集中随机选取样本数据，使用快速傅里叶变换对样本数据进行预处理；基于生成对抗网络中的判别器和生成器之间的纳什均衡，对生成对抗网络进行训练；使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选，得到最优化的判别结果，最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。本发明专利技术对故障数据的预测识别效果更准确。确。确。

【技术实现步骤摘要】
基于生成对抗网络的机械轴承故障分类方法及系统


[0001]本专利技术涉及机械设备故障诊断
，特别是涉及一种基于生成对抗网络的机械轴承故障分类方法及系统。

技术介绍

[0002]机械故障诊断在现代工业生产中发挥着关键作用。未被检测出的故障可能导致重大的生产事故，经济损失甚至人员伤亡，有必要在工业应用中采用故障诊断技术来避免危险情况。随着工业化4.0时代的到来以及智能制造的发展，健康监测系统已经很好地应用在学术和工业领域中。由于这些监控系统的广泛应用，因此从系统中收集了大量数据，可用于诊断系统的状况。运用效果更明显的机器学习方法识别机械结构的健康状态已经成为故障诊断方向的一个趋势，从而实现对机械损伤的早期识别，及时采取预防措施，防止损伤故障的发展，以保证结构系统可靠、安全、稳定、有效地运行。
[0003]在信息化的大数据时代，将机器学习(ML)算法应用到工程领域成为一种潮流，即通过从大量的监测数据中提取特征量来获取信息，然后对机械结构进行健康状态的预测以及评估。机器学习主要由模型、算法、数据还有特征工程组成。根据训练数据中标签量的完整性，可以将机器学习任务分类为有监督，无监督和半监督学习。在有监督学习任务下，训练数据D
s
＝{(x
i
,y
i
)}包含特征向量x
i
和样本i对应的描述性标签y
i
。通过特定算法对模型进行训练，利用最小化训练模型预测的标签与原始真实数据之间的分类误差，以找到从原始特征空间x
i/>到标签空间y
i
的函数关系。机器学习通过提取训练数据的高阶特征量，以得到更好的机械故障分类效果，而不是直接匹配实际数据的真实分布。
[0004]目前有监督的机器学习方法广泛的应用在实际工程当中，并且取得了较大的研究进展。有监督学习的训练集中的所有样本均需包含数据标签，样本信息可包括时域的原始信号、频域的特征信号、振动的固定频率以及模态信息等，而数据标签可包括结构损伤类型、位置以及刚度降低因子等。
[0005]尽管有监督学习在基于振动的机械故障损伤识别中取得了进展，但前提条件是需要大量已知标签的训练数据才能实现较好的预测效果。如果缺少标签信息的指导以及数据稀疏性的问题，判别模型都可能不会得到可靠的结果。现行条件下获取实际应用的所有数据的标签信息成本较高。对于损伤识别方面，传统的机器学习模型需要人工地选择损伤特征，而这类人工特征的通用性不强，并且这类特征想要涵盖所有的损伤信息是比较困难的，在某些情况下可能是不适用的。近几年发展的深度学习模型能够从输入信息中寻找优质的特征量训练网络模型，而且学习能力比传统机器学习模型更为强大，模型识别精度更高。综上，深度学习能够提高识别精度，减少对人工的依赖，提高智能化水平。
[0006]滚动轴承是大型机械设备的关键零部件之一，广泛应用于不同工业领域。但在实际工作中不断变化的轴承工况，使得大量有标签的数据难以获得，同时传统机械损伤定位方法存在可靠性低以及信噪比高的特点。因此，能够准确预测以及识别滚动轴承健康状态的方法对工业生产具有重大意义。

技术实现思路

[0007]本专利技术针对上述问题，提供了一种在不同工况下均适用的基于生成对抗网络的机械轴承故障分类方法、系统及存储介质。
[0008]本专利技术的第一方面，提供了一种基于生成对抗网络的机械轴承故障分类方法，方法包括如下步骤：
[0009]从机械振动数据集中随机选取样本数据，使用快速傅里叶变换对样本数据进行预处理，即将时域上的样本数据转换为频域样本数据；
[0010]基于生成对抗网络中的判别器和生成器之间的纳什均衡，对生成对抗网络进行训练，具体包括：
[0011]生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本，用于干扰判别器的判断；判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本；通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗，使整个生成对抗网络不断训练，直至生成器和判别器都达到最优状态；
[0012]使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选，得到最优化的判别结果，最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。
[0013]本专利技术的进一步技术方案：生成对抗网络进行训练采用AdamOptimizer算法最大化生成器以及最小化判别器的损失函数以达到纳什均衡。
[0014]本专利技术的进一步技术方案：损失函数具体表达式为：
[0015][0016]其中，Pdata(x)为生成对抗网络结构响应的真实分布，Pnoise(z)为生成对抗网络的噪声输入分布，D(x)为判别器目标函数，G(z)为生成器目标函数，z为随机噪声变量，x表示真实样本数据。
[0017]本专利技术的进一步技术方案：机械轴承故障包括四种类型：正常状态，轴承滚轮故障、外圈故障以及内圈故障，其中每种故障类型有四种不同的损伤尺寸，故障细项特征类型为16种。
[0018]本专利技术的第二方面，提供了一种基于生成对抗网络的机械轴承故障分类系统，系统包括：
[0019]样本数据预处理模块，用于从机械振动数据集中随机选取样本数据，使用快速傅里叶变换对样本数据进行预处理，即将时域上的样本数据转换为频域样本数据；
[0020]生成对抗网络训练模块，用于基于生成对抗网络中的判别器和生成器之间的纳什均衡，对生成对抗网络进行训练，具体包括：
[0021]生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本，用于干扰判别器的判断；判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本；通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗，使整个生成对抗网络不断训练，直至生成器和判别器都达到最优状态；
[0022]分类模块，用于使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选，得到最优化的判别结果，最后采用T分布随机近邻嵌入算法对判
别结果进行二维可视化。
[0023]本专利技术的第三方面，提供了基于生成对抗网络的机械轴承故障分类系统，包括：处理器；以及存储器，其中，所述存储器中存储有计算机可执行程序，当由所述处理器执行所述计算机可执行程序时，执行上述基于生成对抗网络的机械轴承故障分类方法。
[0024]本专利技术的第四方面，提供了一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行上述基于生成对抗网络的机械轴承故障分类方法。
[0025]本专利技术提出在不同工况下均适用的基于生成对抗网络的机械轴承故障分类方法、系统及存储介质。将FFT变换作为数据预处理，因为FFT变换可以产生信号的频域空间信息，并且它是在不同工作负载下的非平稳信号的有效工具，能够更好的提取振动信号中的动力信息；提出了运用含有多层神经网络的GAN算法，可用于训练故障状态下的轴承数据来提高不同种工况下的分类效果，本专利技术实施例可证本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的机械轴承故障分类方法，其特征在于，所述方法包括以下步骤：从机械振动数据集中随机选取样本数据，使用快速傅里叶变换对样本数据进行预处理，即将时域上的样本数据转换为频域样本数据；基于生成对抗网络中的判别器和生成器之间的纳什均衡，对生成对抗网络进行训练，具体包括：生成器学习频域样本数据的数据分布并生成与频域样本数据分布相似的样本，用于干扰判别器的判断；判别器用于正确判别输入样本是真实频域样本数据还是生成的伪样本；通过生成对抗网络中生成器和判别器两个模块间的竞争与对抗，使整个生成对抗网络不断训练，直至生成器和判别器都达到最优状态；使用训练完成的生成对抗网络中的判别器对生成的伪样本以及频域样本数据进行判别筛选，得到最优化的判别结果，最后采用T分布随机近邻嵌入算法对判别结果进行二维可视化。2.根据权利要求1所述的基于生成对抗网络的机械轴承故障分类方法，其特征在于，生成对抗网络进行训练采用AdamOptimizer算法最大化生成器以及最小化判别器的损失函数以达到纳什均衡。3.根据权利要求2所述的基于生成对抗网络的机械轴承故障分类方法，其特征在于，损失函数具体表达式为：其中，P
data(x)
为生成对抗网络结构响应的真实分布，P
noise(z)
为生成对抗网络的噪声输入分布，D(x)为判别器目标函数，G(z)为生成器目标函数，z为随机噪声变量，x表示真实样本数据。4.根据权利要求1所述的基于生成对抗网络的机械轴承故障分类方法，其特征在于，机械轴承故障包括四种类型：正常状...

【专利技术属性】
技术研发人员：张凤亮，雷俊，李晓，
申请(专利权)人：武汉思柯瑞机械有限公司，
类型：发明
国别省市：