[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

本發明涉及一種基于半監督生成對抗網絡的軸承故障診斷方法，包括：獲取軸承在不同狀態下的振動信號，并劃分為多個樣本；將樣本隨機劃分為訓練集和測試集，在訓練集中構建少量不同故障的標簽樣本；構建一維半監督生成對抗網絡模型；將訓練集輸入該對抗網絡進行訓練；訓練好的對抗網絡用于測試集中軸承故障的診斷。本發明直接輸入原始采集的振動信號，經過訓練直接輸出測試集中軸承故障類別，實現了端到端的最優診斷模型；并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；本發明為一種半監督訓練方式，不需要大量的人工標簽樣本，大大節約了時間和人力成本，并且軸承故障診斷效果和抗噪聲能力強，穩定性好。

技術領域

本發明涉及軸承故障診斷技術領域，尤其是一種基于半監督生成對抗網絡的軸承故障診斷方法。

背景技術

在機械系統和電力系統中，滾動軸承作為重要基礎部件之一，在各種復雜工況下，常常容易發生滾動體變形、磨損、腐蝕、裂縫等各種形式的缺陷。損傷的滾動軸承可能造成工程實踐中生產過程的巨大經濟損失，甚至可能造成人員安全事故。因此，對滾動軸承故障診斷的研究具有很重要的意義。

滾動軸承的故障類型按照其故障形式分，主要包括剝落、磨損、腐蝕等，造成這些故障的原因十分復雜，結構的設計問題，運行過程中裝配、使用以及保養不當都可能導致軸承的故障。在軸承的運行過程中，如果某些部位出現故障，故障點與其接觸部位會隨著軸承的轉動產生沖擊性脈沖，該脈沖會對軸承的固有頻率形成脈沖調制現象。故障發生在軸承不同部位，其沖擊脈沖形式不同，具體表現在接觸部位經過損傷部位的頻率不同，這個頻率稱之為故障的“特征頻率”。因此，按照故障發生的部位，可以將滾動軸承的故障分為內圈故障、外圈故障、滾動體故障和保持架故障4類。

現有技術中，軸承故障診斷主要采用的手段是獲取設備的振動信號、聲發射信號、電磁信號、超聲信號等，通過一定的手段從這些信號之中獲得軸承的相關故障信息。具體可歸納為特征提取和故障識別兩個步驟。在特征提取方面，原始信號在時域、頻域以及時頻域的特征已經得到了廣泛研究，包括小波變換，短時傅里葉變換，經驗模態分解等信號處理方法。在故障識別方面，則由一些人工智能方法如支持向量機、人工神經網絡和k最近鄰法則等來實現。此外，近年來，由于深度學習可以構建深度神經網絡，能夠自動學習低層特征，并逐步形成更加抽象的高層表示，所以深度學習已經廣泛應用到軸承故障診斷領域。

不管是傳統故障診斷方法還是基于深度學習的軸承故障診斷方法，多數是監督學習，需要大量的數據標簽。但在實際問題中，獲得的原始數據大部分是無標簽數據，手工標注故障樣本需要豐富的專家經驗，并且需要耗費大量的時間和人力成本。

發明內容

本申請人針對上述現有生產技術中的缺點，提供一種結構合理的基于半監督生成對抗網絡的軸承故障診斷方法，從而基于較少的標簽樣本實現軸承故障診斷，大大節約了時間和人力成本，并且診斷準確率高、抗噪聲能力強、穩定性好。

本發明所采用的技術方案如下：

一種基于半監督生成對抗網絡的軸承故障診斷方法，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；