【技术实现步骤摘要】
本专利技术涉及旋转机械的智能故障诊断领域，具体涉及一种基于主成分分析和改进wasserstein gan的旋转机械故障诊断方法。
技术介绍
1、旋转机械被广泛应用于工业、交通、能源等众多领域，其在实现能量转换和传递、动力输出、运动控制等方面发挥着重要作用。在实际工作环境中，旋转机械常处于高温、高冲击的复杂环境，一旦发生故障，轻则导致生产损失，重则危及人员生命安全。因此，对旋转机械进行故障诊断具有重要意义。
2、近年来，随着人工智能的发展，以深度学习为主的数据驱动方法因为能够挖掘数据的更深层特征而被广泛应用于故障诊断。在以往的研究中，常用的深度学习模型比如卷积神经网络(convolutional neural network，cnn)、自动编码器(autoencoder，ae)、深度置信网络(deep belief network，dbn)、长短时记忆网络(long shortterm memory，lstm)以端对端的方式实现了旋转机械的智能故障诊断，同时在数据集充足的情况下表现出良好的特性。然而，在实际情况中，由于旋转机械通常工作在正常状态，收集足量的故障样本是非常困难的，这限制了上述深度学习网络模型的性能。
3、针对有限样本的问题，最常见的解决方法之一是利用对抗生成网络(generativeadversarial network，gan)去扩充样本。但现有的大多数基于gan的智能故障诊断研究中都仅仅使用一个传感器数据，忽略了其他传感器之间的互补信息，这可能会影响故障诊断的精度。
1、为解决上述技术问题，本专利技术提供一种基于主成分分析和改进wasserstein gan的旋转机械故障诊断方法，通过利用主成分分析(principal components analysis，pca)将收集的多传感器信号降至三维，再融合三通道矩阵获得具有多传感器信息的rgb(red-green-blue)图片；在wasserstein gan的基础模型的生成器和判别器中分别引入l1损失函数和梯度惩罚项以提高图片的生成质量和模型训练的稳定性，同时在生成器和判别器中引入融合注意力机制来提取有效特征，从而进一步提高生成图片的质量。
2、本专利技术采取的技术方案为：
3、基于主成分分析和改进wasserstein gan的旋转机械故障诊断方法，包括以下步骤：
4、步骤1：利用pca算法对采集的多传感器数据降至三维，获得三通道时域特征；
5、步骤2：将三个通道中的每个通道指定长度的特征转换为矩阵，并融合三个通道的矩阵，获得具有多传感器信息的rgb图像；
6、步骤3：将rgb图片划分为不同样本数量的训练集数据，以及一定量的测试集数据；
7、步骤4：将训练集数据输入到改进wassersteingan网络模型，直至达到纳什平衡，并生成足量的样本扩充原始数据集，得到新的数据集；
8、步骤5：将步骤4得到新的数据集输入到搭建的残差cnn分类器进行训练；
9、步骤6：将测试集数据输入到训练好的残差cnn分类器中进行测试。
10、所述步骤1、步骤2中，利用pca算法对多传感器采集的原始数据进行降维，保留前三个主成分获得三通道时域特征。将每个通道按照一定长度划分并转化为矩阵，融合三个通道的矩阵获得具有多传感器信息的rgb图像。
11、所述步骤1中，多个传感器是多个采集不同状态量的传感器，当不同传感器之间的采样频率不同，则利用多相抗混叠滤波器的方法，将所有采集的信号重采样到最高采样频率下，然后再利用pca降维，保留前三个主成分；
12、上述过程表示为：
13、xraw＝{xij:xij∈rn×m}；
14、xpca＝xrawwt＝{xij:xij∈rn×3}；
15、式中，xpca代表降维后的三通道时域特征；xraw代表原始信号；wt∈rm×3是线性变换矩阵，t代表矩阵的转置；n是信号的长度；m是传感器的数量；xij表示的第j个传感器中第i个数据的值；rn×m代表多传感器的原始数据；rn×3表示的是pca降维后的三通道时域特征值。
16、所述步骤2中，在均匀分布的[1,n-l×l]中随机选择分裂点，并保证分裂点不被重复选择，[1,n-l×l]代表的是降维得到的三通道特征中的每个通道的可选择分裂点的长度范围，将三个通道中的每个通道对应的分裂点的l×l长度的信号转化为二维像素矩阵，并把像素值归一化到0-255之间，归一化过程可以表示为：
17、
18、其中，pmj(a,b)表示的是第j个通道中归一化后的像素值；pm(a,b)代表的是一个通道特征转换为二维矩阵归一化后所对应的每个点的像素值，其中,a和b分别表示的是该矩阵中的第a行和第b列；l是矩阵的行数或列数；li对应的是所选信号长度中的像素值，min(li)表示所选信号长度像素值中的最小值；
19、为了获得具有多传感器信息的rgb图片，将三个通道归一化后的二维矩阵进行融合，该过程可以表示为：
20、rgbm(a,b,cf)＝(pmj(a,b),cf)；
21、式中，cf＝j＝1,2,3；rgbm(a,b,cf)表示的是将三个灰度图进行融合所得到的rgb像素矩阵。
22、所述步骤3中，将rgb图片划分为不同样本数量的训练集数据，以及一定量的测试集数据；训练集数据代表的是图1中用于训练改进wasserstein gan的训练集；测试集数据代表的是图1中用于残差cnn分类器测试的测试集。
23、所述步骤4包括以下步骤：
24、步骤4.1:wasserstein gan中的生成器的损失函数定义为：
25、
26、式中，e代表的期望，z～pz(z)是生成样本的分布，d是判别器，g是生成器，d(g(z))表示生成样本经过判别器的输出值；
27、为了使生成的样本更加接近于原始训练样本，在wasserstein gan的生成器中添加l1损失函数，l1损失函数的定义如下：
28、
29、其中，y代表的是真是样本，z是随机噪声，g(z)代表的是生成的样本，n是生成样本的数量。
30、因此，改进wasserstein gan的生成器的损失函数为：
31、
32、其中，是l1损失函数项的系数，设置为100。
33、步骤4.2:在判别器中添加梯度惩罚策略，因此梯度惩罚项和wasserstein gan的判别器的损失函数为：
34、
35、
36、式中，gp表示的是梯度惩罚项；ld表示的是判别器的损失函数；||·||2代表的是l2范数，是梯度算子，λ是梯度惩罚项系数，设置为10；是在真实数据分布pr和生成的数据分布pz之间随机插值采样获得，计算公式为x～pr，ε是从均匀分布的[0,1]中采样获得；本文档来自技高网...
【技术保护点】
1.基于主成分分析和改进Wasserstein GAN的旋转机械故障诊断方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于主成分分析和改进Wasserstein GAN的旋转机械故障诊断方法，其特征在于：所述步骤1中，多个传感器是多个采集不同状态量的传感器，当不同传感器之间的采样频率不同，则利用多相抗混叠滤波器的方法，将所有采集的信号重采样到最高采样频率下，然后再利用PCA降维，保留前三个主成分；
3.根据权利要求1所述基于主成分分析和改进Wasserstein GAN的旋转机械故障诊断方法，其特征在于：所述步骤2中，在均匀分布的[1,n-l×l]中随机选择分裂点，并保证分裂点不被重复选择，[1,n-l×l]代表的是降维得到的三通道特征中的每个通道的可选择分裂点的长度范围，将三个通道中的每个通道对应的分裂点的l×l长度的信号转化为二维像素矩阵，并把像素值归一化，归一化过程表示为：
4.根据权利要求1所述基于主成分分析和改进Wasserstein GAN的旋转机械故障诊断方法，其特征在于：所述步骤4包括以下步骤：
【技术特征摘要】
1.基于主成分分析和改进wasserstein gan的旋转机械故障诊断方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于主成分分析和改进wasserstein gan的旋转机械故障诊断方法，其特征在于：所述步骤1中，多个传感器是多个采集不同状态量的传感器，当不同传感器之间的采样频率不同，则利用多相抗混叠滤波器的方法，将所有采集的信号重采样到最高采样频率下，然后再利用pca降维，保留前三个主成分；
3.根据权利要求1所述基于主成分分析和改进wass...
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。