一种基于复合生成对抗网络的轴承故障诊断方法技术

本发明专利技术涉及轴承故障诊断技术领域，具体涉及一种基于复合生成对抗网络的轴承故障诊断方法；包含如下步骤：采集原始真实轴承故障数据作为训练样本数据；构建由两组生成器

【技术实现步骤摘要】
一种基于复合生成对抗网络的轴承故障诊断方法


[0001]本专利技术涉及轴承故障诊断
，具体涉及一种基于复合生成对抗网络的轴承故障诊断方法
。

技术介绍

[0002]滚动轴承在几乎所有的旋转机械中都会被使用到
。
轴承故障影响范围大，维修成本高，因此对其做出精准快速的异常检测及故障分类是提高机械设备经济效益的有效措施
。
[0003]现代深度神经网络在轴承故障诊断方面取得了显著成果
。
但是研究发现，深度神经网络非常容易受到来自对抗样本的攻击
。2013
年，
Szegedy
等注意到测试样本中不可察觉的扰动具有令神经网络误分类的可能性
。
对抗攻击是指在人类视觉系统无法察觉输入变化的同时，就会诱导模型得偏离真实值的判断结果
。2014
年，
Goodfellow
等提出了基于梯度的对抗样本生成算法，该算法通过寻找模型梯度变化最大的方向生成扰动，使模型无法正确识别输入样本
。Carlini
等提出
C&W(Carlini and Wagner attacks),
发现对抗扰动可以从不安全网络迁移至安全网络
,
可转移性意味着该算法同时适合进行黑盒攻击
。2018
年
,Xiao
等提出了基于
GAN
的攻击算法
,
通过训练好的生成器能够将输入样本转换为扰动并形成对抗样本
,
证明了基于无穷范式距离约束生成的对抗样本较基于最优化方程和简单像素空间的矩阵度量生成的样本更具真实性
。
[0004]在各种生成模型中，生成式对抗网络
(generative adversarial networks,GAN)
由
Goodfellow
等于
2014
年提出，
GAN
在自我优化过程中，能够使生成器学习到数据样本的分布，从而生成真假难辨的数据样本
。2017
年
,Odena
等提出
ACGAN(auxiliary classifier GAN)
，模型将目标函数设置为真实数据样本似然与正确分类标签似然的和，通过细分调节损失函数使得分类正确率更高
。2018
年
,Brock
等通过大
Batch、
大参数和大规模
GAN
训练稳定性控制等技巧实现了
BigGAN
，完成了超大规模生成架构的设计
。
[0005]鉴于生成对抗网络强大的数据分布学习能力，它被广泛地应用于各个方面
。
其中，生成对抗网络在故障诊断方面也取得了显著的成绩
。
但是由于深度神经网络本身容易受到来自对抗样本的攻击，模型会更依赖于不可靠的特征以最大化性能，假如特征受到干扰，则会造成模型的误分类
。
另外现实中也难以获得大量真实数据，这就导致在构建模型出现数据类别不平衡的问题，也使得分类精度大大降低
。
[0006]在
技术介绍
部分中公开的上述信息仅仅用于增强对本专利技术背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息
。

技术实现思路

[0007]本专利技术的目的是为了解决上述现有技术的不足，提供一种基于复合生成对抗网络的轴承故障诊断方法，对轴承数据实现精准高效的异常检测和故障诊断
。
[0008]为实现上述目的，本公开提供以下技术方案：
[0009]一种基于复合生成对抗网络的轴承故障诊断方法，包含如下步骤：
[0010]S001:
采集原始真实轴承故障数据作为训练样本数据；
[0011]S002:
构建由第一生成器
G1、
第二生成器
G2
，第一判别器
D1、
第二判别器
D2
和目标攻击网络
F
组成的复合生成对抗网络模型；
[0012]S003:
生成真实训练样本
x
real
及对应类别标签
c
；
[0013]S004:
将真实训练样本
x
real
及对应类别标签
c
作为步骤
S002
所述复合生成对抗网络模型中的第一生成器
G1
输入，交替训练所述第一生成器
G1、
第一判别器
D1
，迭代训练直到达到纳什平衡；所述第一生成器
G1
在训练完成固定参数后，输入真实训练样本
x
real
，生成对应假生成样本
x
fake
；
[0014]S005:
所述第二生成器
G2
接收真实训练样本
x
real
，并在设定的扰动阈值
ε
pd
范围内生成扰动
x
pd
；将所述假生成样本
x
fake
和扰动
x
pd
合并作为对抗样本
x
adv
，即
x
adv
＝
x
pd
+x
fake
；然后将所述对抗样本
x
adv
和真实训练样本
x
real
作为第二判别器
D2
的输入进行迭代训练，同时将所述对抗样本
x
adv
输入目标攻击网络
F
进行迭代训练；
[0015]S006:
将步骤
S005
训练后的对抗样本
x
adv
加入原始故障数据集进行数据扩充，然后使用扩充后的原始数据集
x
enhance
训练故障分类器；
[0016]S007:
将待测轴承数据输入训练后的故障分类器进行故障诊断
。
[0017]优选的，步骤
S001
所述原始真实轴承故障数据为一维振动信号，所述步骤
S003
中的真实训练样本
x
real
为一维振动信号经小波变换转换后的时频图
。
[0018]优选的，所述第一生成器
G1、
第二生成器
G2
，第一判别器
D1、
第二判别器
D2
均设有注意力机制层
。
[0019]优选的，步骤
S004
中，所述第一生成器
G1
的损失函数
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于复合生成对抗网络的轴承故障诊断方法，包含如下步骤：
S001:
采集原始真实轴承故障数据作为训练样本数据；
S002:
构建由第一生成器
G1、
第二生成器
G2
，第一判别器
D1、
第二判别器
D2
和目标攻击网络
F
组成的复合生成对抗网络模型；
S003:
生成真实训练样本
x
real
及对应类别标签
c
；
S004:
将真实训练样本
x
real
及对应类别标签
c
作为步骤
S002
所述复合生成对抗网络模型中的第一生成器
G1
输入，交替训练所述第一生成器
G1、
第一判别器
D1
，迭代训练直到达到纳什平衡；所述第一生成器
G1
在训练完成固定参数后，输入真实训练样本
x
real
，生成对应假生成样本
x
fake
；
S005:
所述第二生成器
G2
接收真实训练样本
x
real
，并在设定的扰动阈值
ε
pd
范围内生成扰动
x
pd
；将所述假生成样本
x
fake
和扰动
x
pd
合并作为对抗样本
x
adv
，即
x
adv
＝
x
pd
+x
fake
；然后将所述对抗样本
x
adv
和真实训练样本
x
real
作为第二判别器
D2
的输入进行迭代训练，同时将所述对抗样本
x
adv
输入目标攻击网络
F
进行迭代训练；
S006:
将步骤
S005
训练后的对抗样本
x
adv
加入原始故障数据集进行数据扩充，然后使用扩充后的原始数据集
x
enhance
训练故障分类器；
S007:
将待测轴承数据输入训练后的故障分类器进行故障诊断
。2.
根据权利要求1所述的一种基于复合生成对抗网络的轴承故障诊断方法，其特征在于，所述步骤
S001
所述原始真实轴承故障数据为一维振动信号，所述步骤
S003
中的真实训练样本
x
real
为一维振动信号经小波变换转换后的时频图
。3.
根据权利要求1所述的一种基于复合生成对抗网络的轴承故障诊断方法，其特征在于，所述第一生成器
G1、
第二生成器
G2
，第一判别器
D1、
第二判别器
D2
均设有注意力机制层
。4.
根据权利要求1所述的一种基于复合生成对抗网络的轴承故障诊断方法，其特征在于，步骤
S004
中，所述第一生成器
G1
的损失函数
L(G1)
定义如下：
L
adv
(G1)
＝
f
adv
(z
d1
‑
real
,z
d1
‑
fake
)L
con
(G1)
＝
f
con
(x
fake
,x
real
)L(G1)
＝
L
adv
(G1)+L
con
(G1)
其中，
f
adv
是指对抗损失，计算真实训练样本
x
real
经判别器提取的特征
z
d1
‑
real
和假生成样本经判别器提取的特征
z
d1
‑
fake
之间的
L2
距离；
f
con
是指上下文损失，计算真实训练样本
x
real
和假生成样本
x
fake
之间的
L1
距离
。5.
根据权利要求1所述的一种基于复合生成对抗网络的轴承故障诊断方法，其特征在于，步骤
S004
中，所述第一判别器
D1
的损失函数
L(D1)
定义如下：
L
real
‑
bce
(D1)
＝
f
bce
(p<...

【专利技术属性】
技术研发人员：郝慧娟，张羽，赵媛媛，陈宇，
申请(专利权)人：齐鲁工业大学山东省科学院山东山科智控数字化科技有限公司，
类型：发明
国别省市：