基于算法展开对抗学习的机械异常可解释智能检测方法技术

公开了一种基于算法展开对抗学习的机械异常可解释智能检测方法，方法中，采集机械设备正常运行的振动信号y，将其按照固定的信号长度裁剪为训练数据集；建立深度稀疏编码模型，对振动信号y进行深度编码，再映射到d维隐编码z；使用近端梯度映射算法求解深度稀疏编码模型，并将优化求解算法展开为稀疏编码网络，从隐编码z到原始信号的重构为解码网络，两者共同构成生成器网络G，构造判别器网络D对隐编码Z的分布进行约束，匹配先验分布p(z)；使用训练数据集训练生成器网络G和判别器网络D，利用反向传播技术更新网络参数，降低网络对振动信号的重构误差及编码分布p(z|y)与先验分布p(z)的差距；将测试信号输入训练好的生成器网络G中，通过判别器网络D输出信号的真伪。通过判别器网络D输出信号的真伪。通过判别器网络D输出信号的真伪。

【技术实现步骤摘要】
基于算法展开对抗学习的机械异常可解释智能检测方法


[0001]本专利技术属于机械异常诊断
，特别是一种基于算法展开对抗学习的机械异常可解释智能检测方法。

技术介绍

[0002]异常检测是一种发现数据中的不符合预期行为的模式的技术，它在工程问题中有着极为广泛的应用。在设备预测与健康管理(PHM)中进行异常检测有助于人们及时发现设备的异常状态，并在重大事故发生前采取关键措施，从而保证人身财产安全。因此，进行精确可靠的机械异常检测对于保证关键设备的安全运行具有十分重要的意义。
[0003]传统的异常检测技术，如主成分分析法(PCA)、一类支持向量机(One
‑
Class SVM)、K
‑
近邻算法(K
‑
NN)、随机森林等具有清晰的理论框架，检测结果具有明确的可解释性。然而，面对高维复杂信号，它们的检测精度可能会因为有限的学习能力而下降。随着基于人工神经网络(ANN)的智能算法(如深度学习、对抗学习等)的极大发展，异常检测算法从高维数据中学习低维非线性表示成为可能。典型的基于神经网络的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于算法展开对抗学习的机械异常可解释智能检测方法，其特征在于，其包括以下步骤，第一步骤(S1)中，采集机械设备正常运行的振动信号y，将其按照固定的信号长度裁剪为训练数据集；第二步骤(S2)中，建立深度稀疏编码模型，对振动信号y进行深度编码，再映射到d维隐编码z；第三步骤(S3)中，使用近端梯度映射算法求解所述深度稀疏编码模型，并将优化求解算法展开为稀疏编码网络，从隐编码z到原始信号的重构为解码网络，两者共同构成生成器网络G，构造判别器网络D对隐编码z的分布进行约束，匹配先验分布p(z)；第四步骤(S4)中，通过设定固定的循环次数，使用所述训练数据集训练所述生成器网络G和判别器网络D，利用反向传播技术更新网络参数，降低网络对振动信号的重构误差及编码分布p(z|y)与先验分布p(z)的差距；第五步骤(S5)中，将测试信号输入训练好的生成器网络G中，通过判别器网络D输出信号的真伪，以判断机械设备正常还是异常。2.根据权利要求1所述的基于算法展开对抗学习的机械异常可解释智能检测方法，其中，优选的，第六步骤(S6)中，将测试信号输入训练好的生成器网络G中以重构整体特征并查看各等效层的原子特征D
(1，j)
＝D1D2…
D
j
，j＝1，2，...，L的卷积核，以进行事后分析。3.根据权利要求1所述的基于算法展开对抗学习的机械异常可解释智能检测方法，其中，第一步骤(S1)中，所述振动信号分解为y＝x+ε，其中，为特征信号，为噪声干扰，N为信号长度，所述振动信号通过加速度传感器采集。4.根据权利要求1所述的基于算法展开对抗学习的机械异常可解释智能检测方法，其中，第二步骤(S2)中，所述深度稀疏编码模型为：其中，为求解的深层稀疏编码，L为编码层数，D
i
为第i层的编码字典，γ
i
为第i层的编码值，i＝1，2，...，L，D
(i，L)
＝D
i
D
i+1
…
D
L
为多层编码字典相乘的等效字典，||
·
||1表示L1范数，为L2范数的平方，深度稀疏编码模型中，第一项为保证从深层稀疏编码能重构输入的振动信号y的特征数据的保真项，其余项为保证各层编码是稀疏的稀疏正则项，λ
i
为数据保真项与稀疏正则项间的权衡参数。5.根据权利要求4所述的基于算法展开对抗学习的机械异常可解释智能检测方法，其中，各层编码字典与编码之间满足：
其中，T
i
为第i层的稀疏度约束常量，i＝1，2，...，L，γ
i
为各层的稀疏编码值，因此有D
(i，L)
γ
L
＝γ
i
...

【专利技术属性】
技术研发人员：王诗彬，安波涛，覃赋华，赵志斌，丁宝庆，孙闯，严如强，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：