System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于生成对抗的汽车电扇轴承红外故障小样本生成方法技术_技高网

基于生成对抗的汽车电扇轴承红外故障小样本生成方法技术

技术编号:40561576 阅读:9 留言:0更新日期:2024-03-05 19:24
本发明专利技术涉及基于生成对抗的汽车电扇轴承红外故障小样本生成方法;该方法包括数据集制作模块,生成对抗模块和验证模块。首先,数据集制作模块通过输入少量不同类别的故障轴承红外图片,然后提取其中的故障类别和故障特征等信息生成初级轴承数据库;然后,生成对抗模块通过不断添加随机噪声生成完备的轴承红外数据;最后,通过验证模块验证生成轴承红外数据鲁棒性,使得生成数据可信度高、参考价值大。

【技术实现步骤摘要】

本专利技术涉及数据处理,具体涉及基于生成对抗的汽车电扇轴承红外故障小样本生成方法


技术介绍

1、旋转机械是工程设备中的重要组成部分之一,汽车电扇作为一种旋转机械,其中最重要的是轴承类零件。每年因轴承损坏导致整体设备故障的机器占整体的30%~40%。因此对轴承进行有效的实时监测与故障诊断,对保障机械设备安全稳定的运行有着更重要的理论意义和实际应用价值。近年来,基于数据驱动的深度学习在故障诊断领域取得重大成果,使得研究者们更加关注轴承运行过程中产生的相当有价值的运行数据,这其中就包括轴承运行的红外数据。但因该数据采集条件要求复杂,所以难以获得大量数据,另外制作数据集的高成本问题的也严重限制了轴承红外故障诊断领域的发展。

2、目前针对这一问题,许多方法都是通过引入新的算法来减少网络对大量数据的需求,例如引入先验信息来调节对抗网络的学习,同时将生成对抗网络与卷积神经网络相结合,用于无监督学习。另外还通过捕捉每个域的共享和独特特征,将图像从一个域转换为另一个域,但这些都是以需求大量对齐图像为代价的。

3、因此亟需一种不需要大量数据,且生成数据质量高的方法来解决这一问题。


技术实现思路

1、针对上述问题,本专利技术提供了基于生成对抗的汽车电扇轴承红外故障小样本生成方法。该方法通过输入少量红外汽车电扇轴承数据图片,进行提取特征、增扩以及标注形成初级红外汽车电扇轴承数据集。并将数据输入至生成对抗网络,再通过评估手段判别数据的质量。通过该方法能够生成包含不同故障类别的完备红外汽车电扇轴承数据,有效克服故障诊断领域中数据集小和类分布不平衡等问题,为后期汽车电扇的运行状态监测和故障诊断提供技术支持。

2、本专利技术的技术方案如下:

3、基于生成对抗的汽车电扇轴承红外故障小样本生成方法,包括如下步骤:

4、步骤1)向数据集制作模块输入不同类别的故障汽车电扇轴承红外图片数据,并进行数据处理、数据增扩,生成初级轴承红外数据库;

5、步骤2)生成对抗模块接收步骤1)中的初级轴承红外数据库的数据,经过两个生成对抗子模块的优化后不断添加随机噪声,生成完备的轴承红外数据库;

6、步骤3)验证模块对步骤2)中完备的轴承红外数据库进行像素强度分布监测,验证了生成数据的鲁棒性,实现小样本数据的故障诊断。

7、进一步的,所述步骤1)中的数据集制作模块具体算法过程如下:

8、1.1)给定输入图像,选取图像中轴承区域的像素以及与轴承连接的其他区域的像素;

9、1.2)轴承故障类别,采用lab通道顶部的径向基函数获取各自的像素坐标;

10、1.3)通过人工选取沿轴承半径的点,估计图像中的轴承轮廓,以及评估数据的类别和特征;

11、1.4)数据初步扩充,通过将轴承像素的纹理和类别映射到一个归一化的区域,最终获得故障类别和故障特征的映射。

12、更进一步的,所述步骤1.3)中人工选取轴承半径的点的具体方式为:人工沿轴承半径选三个点,轴承半径外侧选取具有相同的颜色的两个点,生成轴承故障类别库和轴承特征库。

13、进一步的,所述步骤1)中数据增扩的方法为:通过生成的轴承故障类别库和轴承特征库识别其他轴承图像的曲率,以及库中类别和特征信息替换沿轮廓覆盖的像素,从而不断使得轴承故障类别库和轴承特征库进行扩充,再通过垂直翻转、水平翻转、灰度图转化方式将原始数量翻倍,实现数据增强。

14、进一步的,所述生成对抗模块包括两个子模块,分别为:故障类别生成对抗子模块fc-gan和故障特征生成对抗子模块ff-gan,两个子模块分别包含一个生成器g和一个鉴别器d,其运行指标分别通过lg1、ld1、lg2和ld2损失函数来衡量;

15、更进一步的,所述生成器g的作用是生成创建虚假数据样本,但该样本数据的特征与原始真实数据样本特征分布一致,用以欺骗鉴别器d,对分类误差进行优化,在评估真实样本时输出1,在评估生成样本时输出0;而鉴别器d的目的,是最大化分辩概率,判别输入是生成的还是真实轴承红外数据。

16、进一步的,所述生成对抗模块:在任何子模块运行之前,其中的鉴别器d首先执行反向传播算法,并更新训练参数,然后生成器g执行反向传播算法更新参数;

17、具体过程如下:

18、fc-gan的生成器g1接收初级轴承红外数据库的数据,添加故障类别库中的信息和随机噪声开始训练,产生可以欺骗d1的数据,在一个迭代周期结束后,将fc-gan生成的优化数据传入ff-gan;然后生成器d2通过添加没有噪声的故障特征库中的数据来生成真实度更高的数据,d2对g2产生的数据进行判别,从而随着每个迭代周期的推进,生成对抗模块产生的数据更加真实。

19、进一步的,所述故障类别生成对抗模块的生成器和鉴别器的形式分别为:生成器包括若干个块状结构,第一层包含64个参数,其结构为:2d卷积-归一化-线性整流函数;判别器由5个转置卷积块和三个全连接层组成,第一层包含32个参数,全连接层分别包含512、256和128个参数,其中转置卷积块结构为:2d转置卷积-归一化-线性整流函数。

20、更进一步的,所述生成对抗模块中损失函数为:

21、

22、其中,y'1=g1(s1,n1),y'1是当输入s1和n1时生成器g1生成的故障类别库,s1为输入的随机样本,n1为输入的随机噪声;d1(.)是由鉴别器d1判定的被分为真实故障类别库的概率,一个周期内,一批数据应用的期望值算子;

23、

24、其中,y1是从故障特征库中的数据;

25、

26、

27、lg2是g2的损失函数,是g2应用原始库数据y1与y2的期望算子,是d2判别g2应用y1的期望算子,是d2判别g2应用故障类别库y1’的期望算子;

28、ld2是d2的损失函数,y2是生成器g2生成的图片样本,是判别器d2对y2产生的期望算子,判别器d2对y1的期望算子。

29、进一步的,所述验证模块通过ks距离和kl散度来度量评估生成对抗模块的数据库质量,其中ks距离表示两个累积分布函数或它们的经验估计之间的最大绝对距离;kl散度表示两个分布之间的相对熵或不相似性。

30、本专利技术的技术构思为:第一步:数据集制作模块接收人为输入的少量包含各类别的红外故障汽车电扇轴承图片,生成故障类别库和故障特征库以及初级红外汽车电扇轴承数据集合,初步实现数据的扩增。第二步:生成对抗模块接收上一个模块生成的初级轴承红外数据,经过两个生成对抗子模块的优化后生成完备的轴承红外数据,实现数据的最终扩增。第三步:验证模块对完备轴承红外数据集进行像素强度分布监测,验证了生成数据的鲁棒性,实现小样本数据的故障诊断,为后期汽车电扇的运行状态监测和故障诊断提供技术支持。

31、本专利技术的有益效果主要表现在:

32、1)通过输入少量轴承红外数据即可生本文档来自技高网...

【技术保护点】

1.基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1)中的数据集制作模块具体算法过程如下:

3.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1.3)中人工选取轴承半径的点的具体方式为:人工沿轴承半径选三个点,轴承半径外侧选取具有相同的颜色的两个点,生成轴承故障类别库和轴承特征库。

4.根据权利要求3所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1)中数据增扩的方法为:通过生成的轴承故障类别库和轴承特征库识别其他轴承图像的曲率,以及库中类别和特征信息替换沿轮廓覆盖的像素,从而不断使得轴承故障类别库和轴承特征库进行扩充,再通过垂直翻转、水平翻转、灰度图转化方式将原始数量翻倍,实现数据增强。

5.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成对抗模块包括两个子模块,分别为:故障类别生成对抗子模块FC-GAN和故障特征生成对抗子模块FF-GAN,两个子模块分别包含一个生成器G和一个鉴别器D,其运行指标分别通过LG1、LD1、LG2和LD2损失函数来衡量。

6.根据权利要求5所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成器G的作用是创建虚假数据样本,且该样本数据的特征与原始真实数据样本特征分布一致,用以欺骗鉴别器D,对分类误差进行优化,在评估真实样本时输出1,在评估生成样本时输出0;而鉴别器D的目的,是最大化分辩概率,判别输入是生成的还是真实的轴承红外数据。

7.根据权利要求5所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成对抗模块:在任何子模块运行之前,其中的鉴别器D首先执行反向传播算法,并更新训练参数,然后生成器G执行反向传播算法更新参数;

8.根据权利要求5所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述故障类别生成对抗模块的生成器和鉴别器的形式分别为:生成器包括若干个块状结构,第一层包含64个参数,其结构为:2D卷积-归一化-线性整流函数;判别器由5个转置卷积块和三个全连接层组成,第一层包含32个参数,全连接层分别包含512、256和128个参数,其中转置卷积块结构为:2D转置卷积-归一化-线性整流函数。

9.根据权利要求5所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成对抗模块中损失函数为:

10.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述验证模块通过KS距离和KL散度来度量评估生成对抗模块的数据库质量,其中KS距离表示两个累积分布函数或它们的经验估计之间的最大绝对距离;KL散度表示两个分布之间的相对熵或不相似性。

...

【技术特征摘要】

1.基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1)中的数据集制作模块具体算法过程如下:

3.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1.3)中人工选取轴承半径的点的具体方式为:人工沿轴承半径选三个点,轴承半径外侧选取具有相同的颜色的两个点,生成轴承故障类别库和轴承特征库。

4.根据权利要求3所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述步骤1)中数据增扩的方法为:通过生成的轴承故障类别库和轴承特征库识别其他轴承图像的曲率,以及库中类别和特征信息替换沿轮廓覆盖的像素,从而不断使得轴承故障类别库和轴承特征库进行扩充,再通过垂直翻转、水平翻转、灰度图转化方式将原始数量翻倍,实现数据增强。

5.根据权利要求1所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成对抗模块包括两个子模块,分别为:故障类别生成对抗子模块fc-gan和故障特征生成对抗子模块ff-gan,两个子模块分别包含一个生成器g和一个鉴别器d,其运行指标分别通过lg1、ld1、lg2和ld2损失函数来衡量。

6.根据权利要求5所述的基于生成对抗的汽车电扇轴承红外故障小样本生成方法,其特征在于,所述生成器g的作用是创建虚假...

【专利技术属性】
技术研发人员:马建慧梁昭玥柳嘉傅雷
申请(专利权)人:浙江工业大学台州研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1