一种基于流判别模型的新型故障识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于流判别模型的新型故障识别方法和装置，所述方法包括：对已知的类轴承监测数据预处理，获得封闭数据集及类别标签；搭建故障诊断模型，故障诊断模型包括特征提取器和分类器；基于封闭数据集及类别标签对故障诊断模型训练，利用经过训练的故障诊断模型提取封闭数据集中每个监测数据样本的高维特征；搭建流判别模型，流判别模型包括流模型和判别器；基于封闭数据集及其类别标签对流判别模型训练，基于经过训练的故障诊断模型和流判别模型进行在线故障诊断，实现轴承故障类别的诊断

【技术实现步骤摘要】
一种基于流判别模型的新型故障识别方法和装置


[0001]本专利技术涉及机械故障智能诊断领域，具体涉及一种基于流判别模型的新型故障识别方法和装置
。

技术介绍

[0002]随着科技的发展，机械结构越来越精密和复杂，轴承作为最易损坏的零部件，其健康状态会直接影响机械工作的稳定性和安全性，轴承故障如果没有及时发现，会引发大型机械的功能失效，带来较大的经济损失，甚至人员伤亡
。
因此，及时监测和诊断轴承故障，对保障机械稳定安全运行具有重要意义
。
[0003]近些年，基于深度学习的轴承智能诊断技术成为研究热点
。
深度神经网络具有强大的特征提取能力，经过充足完备的数据训练之后，能够准确地诊断各种轴承故障
。
然而，工程实践中充足完备的数据是很难获得的
。
为了保证机械系统的安全性和稳定性，工程上不允许轴承带病工作，因此轴承长期处在正常运行状态，故障状态下运行时间短，不同故障类型的数据量少，导致轴承监测数据集是类不平衡的
。
类不平衡的轴承数据集在训练故障诊断模型时容易出现对少数类故障的过拟合问题
。
类不平衡轴承故障诊断的主要解决方法是重平衡方法，包括通过深度学习模型生成充足的少数类故障样本使得训练样本重新达到平衡，或者在损失函数中给予少数类更大的权重来缓解少数类的过拟合现象
。
生成对抗网络作为一种生成模型，能够生成少数类的近似样本，扩充数据集，是解决类不平衡轴承故障诊断问题的常用方法r/>。
[0004]轴承除了会经常出现一些典型故障以外，还会偶尔出现一些非典型故障，这些非典型故障数据更是可遇而不可求，因此不能参与故障诊断模型的训练，但在故障在线诊断中有可能会出现
。
现有的故障诊断模型只能将没有参与训练的非典型故障类别识别为已知故障类别，不能将其识别为新型故障类别
。
解决类不平衡故障诊断的重平衡方法在没有新型故障数据参与训练时也无法识别出新型故障类别
。
如何实现新型故障的识别是轴承故障诊断领域的痛点问题
。
[0005]目前新型故障识别方法主要包括基于特征阈值的方法和基于生成模型的方法
。
基于特征阈值的方法首先利用深度神经网络学习样本特征，然后通过设置阈值来对样本特征进行划分，判断样本属于已知类还是新型类
。
基于生成模型的方法，比如生成对抗网络，首先利用生成器重建真实样本的近似样本，然后采用真实样本和近似样本训练判别器对新型故障的识别能力
。
[0006]但是，基于特征阈值的方法需要确定阈值来判断样本是否属于新型故障，然而阈值的确定只是根据从已有类别学习到的知识，由于接触不到新型故障类别样本，所以这类方法不好确定合适的阈值，对新型故障的识别容易出错
。
基于生成模型的方法存在模型难以收敛和模型最优参数难以确定的问题
。
例如，生成对抗网络的判别器输出虽然可以直接作为新型故障类别的似然函数，但在训练过程中不断与生成器进行对抗，判别器效果时好时坏，难以收敛，最终选择什么模型参数用于新型故障识别难以确定
。
因此，现有新型故障
识别方法至少具有以下缺点：
(1)
基于生成模型的方法模型难以收敛，模型最优参数难以确定；
(2)
对新型故障的识别准确率不高；
(3)
基于特征阈值的方法难以确定合适的阈值
。

技术实现思路

[0007]专利技术目的：本专利技术的目的在于提供一种基于流判别模型的新型故障识别方法和装置，采用流模型与判别器进行对抗训练，由于流模型的生成能力强大，流模型在与判别器进行对抗训练时可以促进判别器的收敛，从而解决了判别器的最优参数选择困难问题，本方案还能实现轴承新型故障识别的准确识别
。
[0008]技术方案：本专利技术的基于流判别模型的新型故障识别方法，包括以下步骤：
[0009]对已知的类轴承监测数据进行数据预处理，获得封闭数据集及其类别标签；
[0010]组合特征提取器和分类器，从而搭建出故障诊断模型，其中，特征提取器用于提取数据样本的高维特征，分类器用于对提取的高维特征进行分类；
[0011]基于封闭数据集及其类别标签对故障诊断模型进行训练，获得经过训练的故障诊断模型，并利用经过训练的故障诊断模型提取封闭数据集中每个监测数据样本的高维特征；
[0012]组合流模型与判别模型，流模型和判别器在训练的过程中相互对抗，从而形成流判别模型，其中，流模型用于重建真实样本的近似样本，判别器用于判断输入的高维特征来自真实样本还是近似样本，也用于在线故障诊断中判断样本属于已知类故障还是新型故障；；
[0013]基于封闭数据集及其类别标签对流判别模型进行训练，获得经过训练的流判别模型；以及
[0014]基于经过训练的故障诊断模型和流判别模型进行在线故障诊断，实现轴承故障类别的诊断
。
[0015]进一步的，对已知的类轴承监测数据进行数据预处理，获得封闭数据集及其类别标签，包括以下步骤：
[0016]将已知的类轴承监测数据按轴承健康状态类别进行划分，得到若干监测数据样本以及对应于监测数据样本的类别标签，并对每个监测数据样本进行短时傅里叶变换，获得该监测数据样本的时频谱，所有监测数据样本组成封闭数据集
。
[0017]进一步的，所述特征提取器采用全连接网络
、
深度卷积网络
、
深度置信网络
、
深度残差网络中的一种来构建；
[0018]所述分类器采用支持向量机
、k
最近邻算法
、
随机森林
、
模糊系统
、Softmax
函数中的一种来构建
。
[0019]进一步的，基于封闭数据集及其类别标签对故障诊断模型进行训练的过程中，采用交叉熵损失作为故障诊断模型训练的损失函数，采用自适应矩估计算法
、
随机梯度下降法
、
均方根传递算法中的一种作为训练所用的优化算法
。
[0020]进一步的，所述流模型用于重建真实样本的近似样本，包括以下步骤：
[0021]流模型采用自动编码器的结构，通过一系列可逆变换拟合实际数据集与简单先验分布之间的映射关系；假设
f(
·
)
是流模型的映射函数，
f
‑‑1(
·
)
为其反函数
。
推断时，从封闭数据集随机采样监测数据样本
x
，通过
f
‑‑1(
·
)
映射为简单已知分布的向量
z
；生成时，在
已知分布中随机采样向量
z
，通过
f(
·
)...

【技术保护点】

【技术特征摘要】
1.
一种基于流判别模型的新型故障识别方法，其特征在于，包括以下步骤：对已知的类轴承监测数据进行数据预处理，获得封闭数据集及其类别标签；组合特征提取器和分类器，从而搭建出故障诊断模型，其中，特征提取器用于提取数据样本的高维特征，分类器用于对提取的高维特征进行分类；基于封闭数据集及其类别标签对故障诊断模型进行训练，获得经过训练的故障诊断模型，并利用经过训练的故障诊断模型提取封闭数据集中每个监测数据样本的高维特征；组合流模型与判别模型，流模型和判别器在训练的过程中相互对抗，从而形成流判别模型，其中，流模型用于重建真实样本的近似样本，判别器用于判断输入的高维特征来自真实样本还是近似样本，也用于在线故障诊断中判断样本属于已知类故障还是新型故障；基于封闭数据集及其类别标签对流判别模型进行训练，获得经过训练的流判别模型；以及基于经过训练的故障诊断模型和流判别模型进行在线故障诊断，实现轴承故障类别的诊断
。2.
根据权利要求1所述的基于流判别模型的新型故障识别方法，其特征在于，对已知的类轴承监测数据进行数据预处理，获得封闭数据集及其类别标签，包括以下步骤：将已知的类轴承监测数据按轴承健康状态类别进行划分，得到若干监测数据样本以及对应于监测数据样本的类别标签，并对每个监测数据样本进行短时傅里叶变换，获得该监测数据样本的时频谱，所有监测数据样本组成封闭数据集
。3.
根据权利要求1所述的基于流判别模型的新型故障识别方法，其特征在于：所述特征提取器采用全连接网络
、
深度卷积网络
、
深度置信网络
、
深度残差网络中的一种来构建；所述分类器采用支持向量机
、k
最近邻算法
、
随机森林
、
模糊系统
、Softmax
函数中的一种来构建
。4.
根据权利要求1所述的基于流判别模型的新型故障识别方法，其特征在于，基于封闭数据集及其类别标签对故障诊断模型进行训练的过程中，采用交叉熵损失作为故障诊断模型训练的损失函数，采用自适应矩估计算法
、
随机梯度下降法
、
均方根传递算法中的一种作为训练所用的优化算法
。5.
根据权利要求1所述的基于流判别模型的新型故障识别方法，其特征在于，所述流模型用于重建真实样本的近似样本，包括以下步骤：流模型采用自动编码器的结构，通过一系列可逆变换拟合实际数据集与简单先验分布之间的映射关系；假设
f(
·
)
是流模型的映射函数，
f
‑‑1(
·
)
为其反函数；推断时，从封闭数据集随机采样监测数据样本
x
，通过
f
‑‑1(
·
)
映射为简单已知分布的向量
z
；生成时，在已知分布中随机采样向...

【专利技术属性】
技术研发人员：王俊，赵睿，杜贵府，丁传仓，沈长青，
申请(专利权)人：苏州大学，
类型：发明
国别省市：