基于课堂式生成对抗网络模型的机械设备故障信号识别方法

摘要

基于课堂式生成对抗网络模型的机械设备故障信号识别方法，涉及机故障信号识别领域。本发明是为了解决现有的机械设备故障信号识别方法准确率不高的问题。本发明所述的包含一个生成器和多个判别器的基于课堂式生成对抗网络模型识别机械设备故障信号的方法包括：获取机械设备正常振动信号和机械设备故障振动信号；将获取的机械设备信号划分为测试集和训练集；设置课堂式生成对抗网络结构参数；获取一个批量的样本；计算生成能力的提升值；计算每个生成器对判别器损失函数值影响权重；计算判别器的损失函数；计算生成器的损失函数；测试判别器的准确性；将机械设备振动信号输入准确率最高的分类模型得到识别结果。

说明书

技术领域

本发明故障信号识别领域，特别涉及基于课堂式生成对抗网络模型的机械设备故障信号识别方法。

背景技术

在现代工业中，机械设备故障的出现会给设备带来较大的安全隐患，因此，为了保证设备的安全，对故障信息进行有效分析，了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障，并对故障的发生进行判断并消除是十分必要的。

现有的故障诊断中，最为常见的是根据设备故障信号的振动信号特征进行故障检测与定位。根据发生故障时设备表现出了异常振动信号特征，判断是否有故障发生。传统大多数基于机器学习的故障信号识别方法都是基于平衡数据进行的，但是在现实生活中机械设备故障信号数据收集困难且体量较小，这就导致了目前的机械设备故障信号识别方法准确率不高的问题。

发明内容

本发明目的是为了解决现有的机械设备故障信号识别方法准确率不高的问题，而提出了基于课堂式生成对抗网络模型的机械设备故障信号识别方法。

基于课堂式生成对抗网络模型的机械设备故障信号识别方法，具体过程为：

步骤一、获取机械设备正常的振动信号和机械设备故障的振动信号；

步骤二、将步骤一获取的机械设备振动信号划分为测试集和训练集；

所述机械设备正常的振动信号通过随机采样的方式划分为训练集和测试集；

所述机械设备故障的振动信号全部作为测试集；

步骤三、设置课堂式生成对抗网络结构参数；

步骤四、根据先验概率分布从训练集中进行取样获得一个批量的样本；

步骤五、利用获取的样本训练生成器并计算每个生成器在前次训练中生成能力的提升值；

所述生成能力的提升值是前次训练前后判别器对各生成数据判别的损失函数值产生变化的值。

步骤六、根据步骤五计算的生成能力的提升值利用权值函数计算每个生成器对判别器损失函数值影响权重λ

步骤七、利用获取的样本计算判别器的损失函数利用损失函数值对对判别器进行训练；

步骤八、利用获取的样本计算每个生成器损失函数值并利用损失函数值对各生成器进行训练；

步骤九、利用判别器对测试集数据进行分类，测试判别器准确性；

步骤十、获取待检测的机械设备振动信号并输入对测试集数据分类准确率最高的判别器模型。

本发明的有益效果为：

本发明对现有的生成对抗网络模型进行了改进，将生成对抗网络模型构建成有多个生成器和一个判别器的模型，提出一个权重分配函数自适应调节各生成器对判别器损失函数的影响权重，使得各生成器共同协作，提高判别器与训练样本空间的贴合程度，训练得到一个性能优异的判别器，并将其应用于机械设备故障信号识别任务中，从而提升对机械设备故障信号识别的准确率。

附图说明

图1为基于课堂式生成对抗网络模型结构图；

图2为判别器用于机械设备故障信号识别任务结构图。

具体实施方式

具体实施方式一：本实施方式基于课堂式生成对抗网络模型的机械设备故障信号识别方法具体过程为：

步骤一、获取机械设备正常的振动信号和机械设备故障的振动信号；

步骤二、将步骤一获取的机械设备振动信号划分为测试集和训练集；

所述机械设备正常振动信号通过随机采样的方式将其划分为训练集和测试集；

所述机械设备故障振动信号全部作为测试集；

步骤三、设置课堂式生成对抗网络结构参数：

步骤三一、建立课堂式生成对抗网络模型：

所述课堂式生成对抗网络模型包含一个判别器和多个生成器：

构建模型的生成器：

其中，G是生成器，N是生成器的数量，X是生成数据，Z是噪声变量，G

其中各个生成器之间共享输入数据及判别网络，同时生成器混合结构为判别器提供学习信号；

步骤三二、设置所述课堂式生成对抗网络结构参数，包括：生成器的数量、基于课堂式生成对抗网络的分类模型结构、训练次数，启动训练次数、调节参数、批量大小。

步骤四、根据先验概率分布从训练集中进行随机取样获得一个批量的样本为：

其中，x是训练集中的机械设备振动信号，z是噪声样本，i是样本编号，p

步骤五、利用获取的样本训练生成器，并从第三次训练开始计算每个生成器在前次训练中生成能力的提升值(前两次训练中设置Q

其中，D

步骤六、根据步骤五计算的生成能力的提升值利用权值函数计算每个生成器对判别器损失函数值影响权重λ

其中，Q

步骤七、利用获取的样本计算判别器的损失函数并利用损失函数值对判别器进行训练，判别器的损失函数为：

其中，

当t＜T

其中，T

步骤八、利用获取的样本计算每个生成器损失函数值并利用损失函数值对各生成器进行训练，生成器的损失函数为：

其中，z

步骤九、利用判别器对测试集数据进行分类，测试判别器准确性：

将测试样本输入到判别器中，若输出值为1，则该样本为机械设备正常的振动信号，若输出值为0，则为机械设备故障的振动信号；

将判别器输出结果与真实样本标签作对比，如果相同则判断准确，如果不同则判断错误，然后计算所有样本的平均准确率。

步骤十、获取待检测的机械设备振动信号并输入对测试集数据分类准确率最高的判别器模型。

实施例：

按照具体实施方式的技术方案获得基于课堂式生成对抗网络模型，并完成对机械故障信号识别任务：

针对本发发明提出的课堂式生成对抗网络结构，以美国凯斯西储大学(CaseWestern Reserve University,CWRU)轴承数据中心提供的数据集进行实验分析，以验证基于课堂式生成对抗网络训练得到的判别器对机械设备故障信号识别能力。CWRU数据集中被检测轴承支撑着电动机转轴，驱动端轴承为SKF6205，风扇端轴承为SKF6203，轴承用电火花加工单点损伤，电动机风扇端和驱动端轴承座上方各放置一个加速度传感器用来采集轴承的振动加速度信号，将加工过的轴承安装到测试电机中，分别在0、1、2和3马力的电机负载工况下采集振动加速度信号数据，采样频率为12KHz，本发明中选取数据集中无故障及内圈故障直径为0.007英寸(0.1778mm)、0.014英寸(0.3556mm)和0.021英寸(0.5334mm)的驱动端轴承故障数据进行实验，实验中选择5种常见神经网络结构，即前馈神经网络(FF,Feedforward neural networks)、解卷积网络(DN,Deconvolutional networks)、长短期记忆网络(LSTM,Long short-term memory)、径向基神经网络(RBF,Radial basis function)和残差网络(RN,Residual networks)作为生成器模型，判别器网络则使用卷积神经网络(CNN,Convolutional neural networks)。

在CWRU数据上进行实验，最终得到的各判别器对参与训练的类别数据(无故障轴承振动数据信号数据)与未参与训练的类别数据(故障轴承振动数据信号数据)分类准确率如表1，DC、FF、LSTM、RBF及RN代表实验中用到的生成器模型，下方的涂色则表示该生成器在模型中使用情况，如编号17的模型中使用的生成器模型包括DC、FF和RBF，三个准确率分别为判别器对于正常样本与三种不同故障直径下故障样本的分类准确率，排名1表示该模型分类准确率在所有模型中的排名情况，而排名2则表示该模型在相同数量生成器模型中的排名情况；最后两行展示了作为对比分类器的单分类支持向量机(One-Class SupportVector Machine，OCSVM)与支持向量数据描述(Support Vector Data Description，SVDD)在数据集上的分类结果。表2统计了最复杂的课堂式生成对抗网络(生成器数量为5，表1与表2中编号为31)、OCSVM和SVDD的训练时间及对测试样本的预测时间。

表1

表2

由实验结果可以看出，通过课堂式生成对抗网络训练的得到的分类器能够有效区分无故障轴承振动数据信号与故障轴承振动数据信号，获得的了较好的识别效果。从实验中判别器对于正常样本与故障直径为0.014in的故障样本的分类效果可以看出，生成性能排名为第1、2和4的RN、DC和LSTM组合的课堂式生成对抗网络的判别器性能(编号21)比排名为第1、3和4的RN、RBF和LSTM组合(编号25)的判别器性能好，同样，生成器排名为2、4和5的DC、LSTM和FF组合(编号16)比排名为3、4和5的RBF、LSTM和FF组合(编号22)得到的判别器性能更好，这是由于性能更好的生成器的生成空间在拟合无故障轴承振动数据信号样本空间的时候与无故障轴承振动数据信号样本空间更接近，得到的判别器更“贴合”训练样本空间，信号识别性能更好。

性能相差较小的生成器组合可能获得意想不到的效果，其对应的课堂式生成对抗网络的判别器有极强的信号识别能力，如实验中判别器对正常样本与故障直径为0.014in的故障样本的分类结果中，DC与RBF的生成性能排名分别为第2(准确率96.070％)和第3(准确率95.985％)，然而二者组合的课堂式生成对抗网络(编号1)的判别器性能在所有的双生成器模型中排名第1(准确率98.985％)，识别准确率有一定幅度提升，优于RN(排名第1，准确率96.855％)和RBF的组合(排名第8，准确率94.605％)，这是由于性能相近的生成器在训练过程中以相近的速度“靠近”无故障轴承振动数据信号样本空间，各生成器相互协作，生成性能提高，相应的判别器也具有更好的分类能力。

而对于性能差别较大的生成器组合，由于其达到判别器性能最优的时间或生成器拟合无故障轴承振动数据信号样本空间差别较大，无法达到在训练过程中同步“靠近”无故障轴承振动数据信号样本空间，得到的判别器的分类能力不理想，甚至不如单生成器模型中的判别器。如2.实验中判别器对正常样本与故障直径为0.021in的故障样本的分类结果中，FF的生成性能(准确率83.750％)较DC(准确率98.500％)和RN(准确率99.005％)的生成性能差别较大，这些生成器与FF组合的双生成器课堂式生成对抗网络的判别器性能不如单生成器模型中的判别器性能，因此选择正确的生成器组合对判别器分类能力提升有较大影响。