[發明專利]一種基于半監督生成對抗網絡的軸承故障診斷方法

在審

• 申請號: 201910899768.X
• 申請日: 2019-09-23
• 公開（公告）號: CN110617966A
• 公開（公告）日: 2019-12-27
• 發明（設計）人: 陶洪峰;王鵬;魏強;莊志和;周龍輝;王連云
• 申請（專利權）人: 江南大學
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 32228 無錫華源專利商標事務所(普通合伙)
• 代理人: 聶啟新

1.一種基于半監督生成對抗網絡的軸承故障診斷方法，其特征在于：包括如下步驟：

第一步：通過振動信號采集設備獲取軸承振動信號，該振動信號為一維的時間序列數據，具有周期性和時序性的特點；

第二步：將軸承轉一圈采集到的離散數據作為一個樣本，將第一步中采集的數據集劃分為多個樣本；

第三步：將第二步中的樣本隨機劃分為訓練集和測試集，并使得訓練集與測試集中樣本的數量比例為9:1；確定訓練集中帶標簽樣本的數量，并將該數量的樣本標上標簽；

第四步：將第三步中的訓練集輸入預先建立的一維半監督生成對抗網絡進行迭代訓練，并在迭代中運用Adam算法調整網絡權值；

所述一維半監督生成對抗網絡主要包括生成器和分類器；所述生成器生成與訓練集中統計分布相匹配的假樣本集；所述生成器和分類器均包括輸入層、中間層和輸出層；

所述生成器的結構為：其輸入層的輸入為服從均值為-1，方差為1高斯分布的128維高斯噪聲，所述生成器輸出層的激活函數為Tanh函數，所述生成器的中間層包含兩層全連接層和四層一維反卷積層，一維反卷積層的卷積核均設置為5x1，且四層一維反卷積層位于兩層全連接層的中間；所述一維反卷積層之間的激活函數為ReLU函數，在每次完成反卷積后均進行批量歸一化處理；

所述生成器的損失函數為：

L_new＝E_z～p(z)[log(1-C(G(z)))]+0.01*L_match

其中：L_match為特征匹配方法下生成器的損失函數，其方程為：x為訓練集中的樣本，p_data(x)為x的數據分布，q(x)為x在分類器中間層的特征值，p(z)為z的數據分布，q(G(z))為假樣本集中的樣本在分類器中間層的特征值；C(G(z))為假樣本集中的樣本從屬某一故障類別的概率；

所述分類器的結構為：其輸入層的輸入為由訓練集和假樣本集混合的樣本集，所述分類器輸出層的激活函數為Softmax函數，所述分類器的中間層包含一層全連接層和五層一維卷積層，第一層一維卷積層的卷積核設置為5x1，另外四層一維卷積層的卷積核均設置為3x1，并且全連接層位于五層一維卷積層的后面；所述一維卷積層之間的激活函數為LeakyReLU函數，在每次完成卷積后均進行批量歸一化處理；

所述分類器的損失函數為：

其中：

L_unsup＝L_unlabel+L_gen

L_gen＝-E_x～Glog[p_mod(y＝m+1|x)]

x為采集的真實樣本；y為標簽；E為期望；p_mod(y|x，y＜m+1)表示x為某一種標簽的概率；p_mod(y＝m+1|x)表示x為假樣本的概率；L_sup表示分類器訓練帶標簽樣本時的損失函數；L_unsup表示分類器訓練無標簽樣本時的損失函數，該無標簽樣本包括訓練集中的無標簽樣本和由生成器生成的假樣本；L_unlabel表示分類器訓練訓練集中無標簽樣本時的損失函數；L_gen表示分類器訓練假樣本集中樣本時的損失函數；

迭代訓練包括如下步驟：

1)在高斯噪聲中采樣生成向量z，并將該向量輸入至生成器，經一維反卷積層和全連接層輸出后，得到假樣本集G(z)；

2)將訓練集中的樣本與假樣本集中的樣本按批次輸入分類器，經一維卷積層和全連接層提取特征后，通過Softmax函數輸出歸一化的概率值C(x)和C(G(z))；

3)對一維半監督生成對抗網絡的權值參數進行更新：

3.1)將生成器參數固定，以訓練分類器；若分類器中輸入的是訓練集中的無標簽樣本，則將L_unlabel作為損失函數，若分類器中輸入的是訓練集中帶標簽樣本，則將L_sup作為損失函數，若分類器中輸入的是由生成器生成的樣本，則將L_gen作為損失函數；并利用Adam算法調整分類器的參數；

3.2)將分類器參數固定，以訓練生成器；生成器對樣本訓練集和假樣本集G(z)進行特征匹配，以L_new作為損失函數，并利用Adam算法調整生成器的參數；

4)重復1)至3)，直至達到預定迭代次數；

第五步：將第三步中的測試集輸入經第四步訓練好的一維半監督生成對抗網絡，測試集中樣本進入由第四步訓練好的分類器，經一維卷積層和全連接層提取特征后，進行批量歸一化處理，再經分類器輸出層輸出結果，即完成測試集中樣本的故障類別判斷，輸出診斷結果；

通過使用一維卷積層和一維反卷積層，強化了一維半監督生成對抗網絡提取特征的能力；利用由帶標簽樣本和無標簽樣本構成的訓練集，結合由生成器生成的假樣本集，對分類器進行迭代訓練，進而使得分類器對測試集中的無標簽樣本進行故障分類。