本发明专利技术公开了一种基于循环生成对抗网络的电机故障增强诊断方法及装置，其方法包括构建基于循环生成对抗网络的电机故障样本迁移生成模型，实现由相似样本域到目标样本域的迁移，增广目标样本，进而实现电机故障的增强诊断，其中目标样本域为需要进行故障诊断的工况条件下的电机故障样本域，相似样本域即相同故障模式其他工况条件下该电机的故障样本域。障模式其他工况条件下该电机的故障样本域。障模式其他工况条件下该电机的故障样本域。
【技术实现步骤摘要】
一种基于循环生成对抗网络的电机故障增强诊断方法及装置
[0001]本专利技术涉及故障预测与健康管理(Prognostics and Health Management，PHM)
，特别涉及一种基于循环生成对抗网络(Cycle
‑
consistent Generative Adversarial Network，CycleGAN)的电机故障增强诊断方法及装置。
技术介绍
[0002]电机在电路中用M表示，一般为机械装置提供扭矩，将电能转换为装置所需要的机械能，在工业生产各个方面的应用非常广泛。电机发生故障，轻则造成财产损失，重则危害人身安全，因此电机的故障诊断非常重要。电机故障诊断技术可以发现电机的早期故障，在电机故障还未产生严重后果时让技术人员了解当前电机的运行情况，以便于及时有针对性地进行检修。因此，在电机的日常使用中进行故障诊断是非常有效而且有必要的，具有重要的工程意义。
[0003]电机一般由磁极、转子、轴承、壳体等部分组成，不同部位发生故障时电机输出的振动信号具有不同的特征，因此常常利用振动信号特征不同的特点进行电机故障模式的检测，实现故障诊断。为了实现高准确率的电机故障诊断，传统方法往往需要以大量的电机故障样本为支撑，然而在实际的工业生产中，获取有效的电机故障样本难度较大、成本高昂，导致很多情况下用来实现故障诊断的目标样本以小样本的情况存在，使用传统的故障诊断方法诊断效果不佳，因此如何在有限的目标样本条件下实现尽可能好的故障诊断效果是当前需要解决的重要问题。当前，基于生成对抗网络(Generative Adversarial Network，GAN)实现故障样本增广的方法是解决样本不足问题的主要手段。然而传统的GAN只能利用目标样本本身的信息实现样本增广，在目标样本数目较少时具有生成样本质量不高的问题，难以有效实现电机故障的增强诊断。考虑到每类故障模式往往存在多种工况条件的故障样本，相同故障模式下不同工况的电机故障样本之间具有相似的特征，利用这些相似样本的特征可以提高故障诊断的效果。当前方法的主要思路是是通过迁移学习，使用相似样本预训练诊断模型，再使用目标样本对模型微调。但是传统的迁移学习方法对样本的相似程度以及所使用的迁移方法比较敏感，在相似样本和目标样本相似程度不够高或迁移学习方法不合适时，迁移效果不好，甚至有时候会出现负迁移的现象，反而会降低诊断效果。因此，在目标样本为小样本且有相似样本辅助诊断的情况下，开展如何有效利用相似样本信息进行电机故障增强诊断的研究就尤为重要。
技术实现思路
[0004]根据本专利技术实施例提供的方案解决的技术问题是在目标样本为小样本且有相似样本辅助诊断的情况下，如何有效利用相似样本信息进行电机故障增强诊断。
[0005]根据本专利技术实施例提供的一种基于循环生成对抗网络的电机故障增强诊断方法，包括：
[0006]获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种
电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
[0007]利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；
[0008]通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；
[0009]利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；
[0010]获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。
[0011]优选地，所述从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本包括：
[0012]通过分别计算每种电机故障模式下每个相似电机故障样本与所述目标电机故障样本之间的最大均值差异MMD值，得到多个MMD值；
[0013]从所述多个MMD值中选取最小MMD值，并将所述最小MMD值对应的相似电机故障样本作为最相似电机故障样本。
[0014]优选地，所述预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
[0015]基于所述目标电机故障样本和所述最相似电机故障样本，构建包含循环生成对抗网络结构和总损失函数的基于循环生成对抗网络的电机目标样本迁移生成模型；
[0016]其中，所述循环生成对抗网络结构包括：包含第一生成器G和第一判别器D
y
的第一生成对抗网络；包含第二生成器F和第二判别器D
x
的第二生成对抗网络；
[0017]所述总损失函数包括：第一生成对抗网络损失函数、第二生成对抗网络损失函数以及循环一致性损失函数。
[0018]优选地，所述利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型包括：
[0019]通过对所述目标电机故障样本和所述最相似电机故障样本分别进行转化处理，得到二维灰度图形式的目标电机故障样本和二维灰度图形式的最相似电机故障样本；
[0020]以所述二维灰度图形式的目标电机故障样本和所述二维灰度图形式的最相似电机故障样本作为所述基于循环生成对抗网络的电机目标样本迁移生成模型的输入进行若干次训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型。
[0021]优选地，所述预先构建的基于卷积神经网络的电机故障增强诊断模型包括：
[0022]基于所述目标电机故障样本和所述生成目标电机故障样本，构建包含卷积神经网络结构和损失函数的基于卷积神经网络的电机故障增强诊断模型。
[0023]优选地，所述利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型包括：
[0024]以所述目标电机故障样本和所述生成目标电机故障样本作为所述基于卷积神经网络的电机故障增强诊断模型的输入进行若干次训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型。
[0025]根据本专利技术实施例提供的一种基于循环生成对抗网络的电机故障增强诊断装置，包括：
[0026]获取样本模块，用于获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；
[0027]第一构建及训练模块，用于利用所述目标电机故障样本和本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于循环生成对抗网络的电机故障增强诊断方法，其特征在于，包括：获取电机每种电机故障模式的目标电机故障样本和相似电机故障样本，并从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本；利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标样本迁移生成模型；通过将每种电机故障模式的最相似电机故障样本输入到所述训练好的基于循环生成对抗网络的电机目标样本迁移生成模型，得到每种电机故障模式的生成目标电机故障样本；利用所述目标电机故障样本和所述生成目标电机故障样本对预先构建的基于卷积神经网络的电机故障增强诊断模型进行训练，得到训练好的基于卷积神经网络的电机故障增强诊断模型；获取待诊断故障电机的故障数据，并将所述故障数据输入到所述训练好的基于卷积神经网络的电机故障增强诊断模型中进行故障诊断处理，得到所述待故障诊断电机的故障类型。2.根据权利要求1所述的方法，其特征在于，所述从每种电机故障模式下的相似电机故障样本中筛选出与所述目标电机故障样本相似程度最高的最相似电机故障样本包括：通过分别计算每种电机故障模式下每个相似电机故障样本与所述目标电机故障样本之间的最大均值差异MMD值，得到多个MMD值；从所述多个MMD值中选取最小MMD值，并将所述最小MMD值对应的相似电机故障样本作为最相似电机故障样本。3.根据权利要求2所述的方法，其特征在于，所述预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型包括：基于所述目标电机故障样本和所述最相似电机故障样本，构建包含循环生成对抗网络结构和总损失函数的基于循环生成对抗网络的电机目标样本迁移生成模型；其中，所述循环生成对抗网络结构包括：包含第一生成器G和第一判别器D
y
的第一生成对抗网络；包含第二生成器F和第二判别器D
x
的第二生成对抗网络；所述总损失函数包括：第一生成对抗网络损失函数、第二生成对抗网络损失函数以及循环一致性损失函数。4.根据权利要求3所述的方法，其特征在于，所述利用所述目标电机故障样本和所述最相似电机故障样本对预先构建的基于循环生成对抗网络的电机目标样本迁移生成模型进行训练，得到训练好的基于循环生成对抗网络的电机目标...
【专利技术属性】
技术研发人员：程玉杰，顾昊鑫，马梁，宋登巍，丁宇，吕琛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。