[發(fā)明專利]一種小樣本下隱式激勵對抗訓(xùn)練的機械故障智能診斷方法

有效

• 申請?zhí)枺?/td>: 202011121236.2
• 申請日: 2020-10-19
• 公開（公告）號: CN112396088B
• 公開（公告）日: 2023-05-12
• 發(fā)明（設(shè)計）人: 陳景龍;劉莘;宋霄罡;訾艷陽
• 申請（專利權(quán)）人: 西安交通大學(xué)
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06F18/2415;G06F18/2321;G06N3/0464;G06N3/084;G01M13/04
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 馬貴香

1.一種小樣本下隱式激勵對抗訓(xùn)練的機械故障智能診斷方法，其特征在于，包括以下步驟：

步驟S1：獲取機械設(shè)備各種工況下的一維信號數(shù)據(jù)，劃分訓(xùn)練樣本集與測試樣本集并賦予各個訓(xùn)練樣本以及測試樣本類別標簽信息；

步驟S2：偽樣本生成與特征編碼，將訓(xùn)練樣本輸入編碼器中獲得低維的特征編碼，從先驗概率分布中隨機采樣獲得噪聲信號并輸入生成器中獲得偽樣本；

步驟S3：特征匹配，在無需標簽信息情況下，基于聚類學(xué)習(xí)，利用相關(guān)性度量對訓(xùn)練樣本的特征編碼結(jié)果加以約束，獲取類別辨識度明顯的特征信息；所述特征匹配中，樣本特征編碼在無標簽信息情況下，基于類間距離最大化，類內(nèi)距離最小化的聚類學(xué)習(xí)，建立特征信息相關(guān)性對比的損失項如下所示：

其中，n為特征編碼的數(shù)目，與分別表示編碼器輸出的特征編碼中的第i個和第k個輸出結(jié)果，(·)^T表示向量轉(zhuǎn)置；

此外，編碼器特征編碼結(jié)果應(yīng)該滿足先驗分布的約束如下所示：

其中，λ為一權(quán)重系數(shù)，d(·)表示輸入向量的維度，KL(·)表示概率分布的KL散度度量結(jié)果，為特征編碼的概率分布，為先驗概率分布，||·||₂表示二范數(shù)計算；

步驟S4：對抗訓(xùn)練，基于步驟S3的特征匹配約束，通過并聯(lián)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的判別器對訓(xùn)練樣本及其對應(yīng)的特征編碼之間的互信息以及樣本對抗判別損失進行度量，計算判別器的目標函數(shù)以及生成器和編碼器的目標函數(shù)，通過誤差反向傳播算法訓(xùn)練判別器、生成器以及編碼器；

所述并聯(lián)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的判別器目標函數(shù)包含樣本對抗判別損失函數(shù)項與樣本及其對應(yīng)的特征編碼之間的互信息度量如下所示：

將訓(xùn)練樣本x與生成器生成的偽樣本輸入判別器，對于判別器，樣本對抗判別的損失函數(shù)如下所示：

其中，x為訓(xùn)練樣本，為先驗噪聲信號經(jīng)生成器輸出的偽樣本，為訓(xùn)練樣本x與偽樣本線性插值結(jié)果，H為一非線性函數(shù)，D(·)表示基于并聯(lián)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的判別器的輸出結(jié)果，||·||₂表示二范數(shù)計算，表示計算函數(shù)關(guān)于的梯度；

將訓(xùn)練樣本及其對應(yīng)的特征編碼輸入至判別器中，判別器關(guān)于樣本及其對應(yīng)的特征編碼之間的互信息度量結(jié)果如下所示：

其中，為訓(xùn)練樣本x經(jīng)編碼器輸出的特征編碼，z為滿足于先驗概率分布的噪聲信號；

生成器與編碼器目標函數(shù)如下所示：

其中，為生成器與編碼器關(guān)于樣本對抗判別的損失函數(shù)，為生成器與編碼器關(guān)于樣本及其對應(yīng)的特征編碼之間的互信息度量結(jié)果；

將訓(xùn)練樣本x與生成器生成的偽樣本輸入判別器，對于生成器與編碼器，樣本對抗判別的損失函數(shù)如下所示：

其中，x為訓(xùn)練樣本，為先驗噪聲信號經(jīng)生成器輸出的偽樣本，D(·)表示基于并聯(lián)型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的判別器的輸出結(jié)果；

將訓(xùn)練樣本及其對應(yīng)的特征編碼輸入至判別器中，生成器與編碼器關(guān)于樣本及其對應(yīng)的特征編碼之間的互信息度量結(jié)果如下所示：

其中，為訓(xùn)練樣本x經(jīng)編碼器輸出的特征編碼，z為滿足于先驗概率分布的噪聲信號；

步驟S5：返回步驟S2進行迭代，直至生成器、判別器以及編碼器目標函數(shù)值趨于穩(wěn)定，輸出編碼器網(wǎng)絡(luò)參數(shù)；

步驟S6：構(gòu)建智能診斷模型，將訓(xùn)練樣本集輸入到步驟S5中得到的編碼器中獲得樣本對應(yīng)的特征編碼，將特征編碼輸入智能診斷模型得到輸出結(jié)果；

步驟S7：將輸出結(jié)果與訓(xùn)練樣本標簽進行對比，計算總分類誤差，并通過誤差反向傳播算法訓(xùn)練智能診斷模型；

步驟S8：返回步驟S6進行迭代，直到總分類誤差達到預(yù)設(shè)值，輸出智能診斷模型參數(shù)與測試樣本集分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種小樣本下隱式激勵對抗訓(xùn)練的機械故障智能診斷方法，其特征在于，所述的智能故障診斷方法是一種端到端的故障診斷方法，其輸入為機械設(shè)備運作產(chǎn)生的原始一維信號，無需進行任何的信號預(yù)處理，且訓(xùn)練集與測試集中各個樣本包含相同數(shù)量的數(shù)據(jù)點。

3.根據(jù)權(quán)利要求1所述的一種小樣本下隱式激勵對抗訓(xùn)練的機械故障智能診斷方法，其特征在于，在步驟S5中采用誤差反向傳播算法，使得編碼器、生成器的模型參數(shù)計算更新與判別器的模型參數(shù)計算更新交替進行，直至目標函數(shù)值趨于穩(wěn)定。