【技术实现步骤摘要】
本专利技术涉及一种特征对齐域对抗神经网络故障诊断方法，属于故障诊断领域。
技术介绍
1、滚动轴承作为大型旋转机械设备中至关重要的零件之一，一旦发生故障将对机械运行造成严重威胁，更会危害人身财产安全。因此对滚动轴承的振动信号进行合理分析，可以提前预警机械故障，减少安全隐患。轴承智能故障诊断模型通常需要充足的带标签样本进行训练，但在实际生产过程中，工业设备通常处于正常状态下运行。很难提前采集充足的轴承故障信号用于设备诊断，同时收集的故障数据类别间比例也不一致，导致难以对滚动轴承进行故障诊断，发生故障时可能导致严重生产损失和高昂研究费用。为解决收集样本存在不平衡的问题，生成对抗网络generative adversarial networks，gan是扩充样本至平衡状态的优秀措施，受到广大学者的青睐。而应对真实样本稀缺导致故障诊断准确率较低的问题，域对
2、抗神经网络domain adversarial neural networks，dann由于具有弱化特征提取器提取到的域内分类特征，提取域判别不变下分类相关特征的能力，是识别目标域样本的故障类别，完成滚动轴承不平衡样本下的故障识别的重要方法之一。
技术实现思路
1、本专利技术创造提供本专利技术提供本专利技术涉及一种特征对齐域对抗神经网络故障诊断方法，解决现有技术中存在的智能故障诊断未能解决采集充足的轴承故障信号和已有故障数据类别间比例不一致问题，导致深层特征挖掘不充分，精度低的问题。
2、本专利技术是通过以下技
3、1)信号采集：利用传感器收集滚动轴承的原始一维振动信号，选取数字信号的采样频率为5000hz的轴承数据。
4、2)数据扩充：提出特征对齐的生成对抗模型，特征对齐的生成对抗网络分为两个部分：一个是生成器g，一个是判别器d；随机噪声通过生成器的反卷积操作生成样本，将低维噪声上采样为与真实样本维度相同的生成样本，随后将生成样本与真实样本混合输入至判别器中进行训练，输入数据通过判别器的卷积操作提取样本特征，通过最大均值差异衡量真实样本与生成样本间特征分布差异，减少特征分布间距离损失，反向更新参数，指导生成器生成符合真实样本特征分布的生成样本；
5、具体方法如下：
6、特征对齐的生成对抗模型由三部分组成，分别是生成器g、判别器d和最终损失函数loss；其中loss分为三个部分，极小化生成器损失函数极大化判别器损失函数以及特征分布最大均值差异损失函数具体流程如下：
7、2.1)对目标域真实样本进行滑动窗口采样，样本大小为1024，为模拟不平衡样本输入，每类故障样本随机选取不同个数样本作为输入；
8、2.2)将大小为100维且服从正态分布的高斯噪声输入改进gan的生成器中进行上采样，输出大小为1024的生成样本；
9、2.3)设置生成样本标签为1，真实样本标签为0；
10、2.4)固定生成器参数，将真实样本和生成样本混合送入判别器中，训练判别器；
11、2.5)固定判别器参数，将混合样本送入模型中，计算生成样本与真实样本特征间最大均值差异和判别结果，反向更新生成器参数；生成的最大均值差异可由公式(1)所示：
12、
13、其中，fis表示源域数据，fit表示目标域数据，表示极小化生成器损失函数，表示极大化判别器损失函数；
14、2.6)固定生成器参数，重新生成样本，设置生成样本标签为0，训练判别器；
15、2.7)循环迭代训练模型，保存生成样本作为扩充数据。
16、3)特征学习：通过改进特征对齐的生成对抗模型、改进域对抗神经网络组成的旋转机械故障诊断模型进行深层特征学习。
17、4)轴承故障诊断：
18、4.1)随机取10个带标签目标域样本，同为一个类别，与随机变量生成样本等量混合；其中生成样本标签为1，真实样本标签为0；
19、4.2)混合样本输入判别器进行训练；
20、4.3)冻结判别器权重，混合样本输入模型中训练生成器，计算生成样本和真实样本特征之间最大均值差异，最小化特征间重建距离损失；
21、4.4)设置生成样本标签为0，输入模型训练生成器；
22、4.5)从训练好的模型中取出适量样本充当目标域样本；
23、4.6)源域样本、扩充后带标签目标域样本以及真实带标签目标域样本混合成训练集，输入改进域对抗神经网络idann中进行训练；
24、改进域对抗神经网络idann由三个部分组成，分别是特征提取器、标签分类器以及领域判别器；
25、特征提取器：通过构建多尺度注意力机制模块，提取领域判别不变下的分类相关特征；首先输入数据经特征提取模块得到输出特征，每个特征提取模块包括卷积层，注意力机制模块以及池化层组成，源域ds和目标域dt样本作为输入数据首先进行卷积操作，如式(2)所示：
26、
27、其中，代表上一层的输出，代表当前输出，n代表卷积核数目，k代表卷积核，卷积核大小为3，b代表偏差，f(·)代表relu激活函数；
28、卷积提取特征后进行全局平均池化，如式(3)所示：
29、
30、其中，x代表输入数据，m代表第m个通道，n代表该通道中的一个数据点，w代表当前通道样本数，vm代表经全局平均池化计算得到的通道权重值；
31、池化后得到通道权重值经两层1*1卷积操作，得到最终的通道注意力权重v，对输入数据进行调整，并增加残差连接结构，得到输出特征；如式(4)所示：
32、
33、其中，d代表通道维数，代表上一层输出，代表当前输出，v代表通道注意力权重；
34、输出特征经最大池化计算后，输入到下一个特征提取模块；如式(5)所示：
35、
36、其中，w为池化区域大小3，为最大池化后输出值，为上一层输出特征；
37、输入数据经过三个特征提取模块得到最终输出特征，通过特征提取模块计算获得每个通道的重要程度，为每个特征赋予一个权重值，让模型重点关注特征通道，抑制不重要的特征通道，提高模型的分类准确率；
38、标签分类器：最小化熵损失能够提高目标域样本分类自信程度，通过最小化熵损失训练模型标签分类器，使得目标域样本熵值达到最小；熵最小化技术让模型的决策边界远离边缘数据，提高模型分类器的自信程度，熵最小化如式(6)所示：
39、
40、其中，代表目标域中第i个样本，n代表样本数，g(·)代表特征提取器，c(·)代表分类器；
41、输入数据经特征提取器g提取特征，输入到分类器c中，通过softmax函数计算该样本预测为每个类别的概率，计算熵值后进行累加得到我们最终目标函数；熵值越小，分类器的自信程度越高，更好的刻画目标域数据内不同类别样本的决策边界本文档来自技高网...
【技术保护点】
1.一种特征对齐域对抗神经网络的故障诊断方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种特征对齐域对抗神经网络的故障诊断方法，其特征在于：所述的步骤2)中，具体方法如下：
3.根据权利要求1所述的一种特征对齐域对抗神经网络的故障诊断方法，其特征在于：所述的步骤4.6)中，具体方法如下：
4.根据权利要求1所述的一种特征对齐域对抗神经网络的故障诊断方法，其特征在于：所述的步骤4.7)中，具体方法如下：
【技术特征摘要】
1.一种特征对齐域对抗神经网络的故障诊断方法，其特征在于，步骤如下：
2.根据权利要求1所述的一种特征对齐域对抗神经网络的故障诊断方法，其特征在于：所述的步骤2)中，具体方法如下：
3.根据权利要求1...
【专利技术属性】
技术研发人员：张利，顾士兴，张凯鑫，张皓博，罗浩，
申请(专利权)人：辽宁大学，
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。