[發明專利]一種小樣本下隱式激勵對抗訓練的機械故障智能診斷方法

有效

• 申請號: 202011121236.2
• 申請日: 2020-10-19
• 公開（公告）號: CN112396088B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 陳景龍;劉莘;宋霄罡;訾艷陽
• 申請（專利權）人: 西安交通大學
• 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任公司 61200
• 代理人: 馬貴香

本發明公開了一種小樣本下隱式激勵對抗訓練的機械故障智能診斷方法，將機械設備不同工況下產生的一維信號劃分為訓練集和測試集；構建編碼器、生成器以及判別器模型，通過生成對抗訓練機制以及互信息最大化和特征匹配策略，以訓練集訓練模型；將訓練集輸入至訓練好的編碼器中獲取對應的特征編碼，然后構建并以特征編碼訓練智能診斷模型，最后將模型用于測試集的故障診斷，并對結果進行評估。本發明通過生成對抗訓練機制以及互信息最大化和特征匹配策略，在小樣本的條件下，建立并強化樣本與特征編碼的信息關聯，挖掘數據最本質的類別特征信息，并用于智能診斷模型的訓練，可以有效地提高模型的泛化能力以及故障診斷準確率和穩定性。

技術領域

本發明涉及機械設備故障智能診斷技術，具體涉及一種小樣本下隱式激勵對抗訓練的機械故障智能診斷方法。

背景技術

機械設備故障診斷對于保障設備安全經濟運行和人民生命財產安全意義重大，信號特征提取技術是實現故障診斷的重要手段。對于長期工作在高溫、變載等復雜且嚴苛工況下的機械設備，基于信號處理技術的故障診斷方法難以建立與實際工況相匹配的機械物理模型，且高度依賴于專家經驗和先驗知識進行特征提取與人工選擇，限制了其在高維、多源且含噪聲信號的故障診斷任務中的準確性與適用性，難以滿足未來機械設備故障診斷需求。

由于神經網絡具備自適應學習能力和極強的非線性映射特性，能對復雜的信息進行自適應特征提取并進行模式識別，為故障診斷與狀態監控提供了新的技術手段，作為一種新的知識處理方法，在設備故障診斷領域展示了極大的應用潛力，然而，基于數據驅動的智能故障診斷模型往往依賴于大量且高質量的原始數據樣本以及標簽信息，但在機械設備的實際生產運作中，故障信號的獲取受到設備安裝等諸多限制，可用于模型訓練的數據量十分有限，將不可避免地導致模型訓練不充分，帶來過擬合問題，使得故障診斷模型檢測準確率低且泛化能力差。

因此，鑒于機械設備故障數據量有限時基于數據驅動的機械故障智能診斷方法的局限性，研究小樣本下的自適應特征提取技術，以實現機械設備故障模式識別，具有重要的研究意義與價值。

發明內容

本發明的目的在于提供一種小樣本下隱式激勵對抗訓練的機械故障智能診斷方法，以克服智能故障診斷模型在數據量有限時的局限性，本發明以機械設備運作產生的原始一維信號作為輸入，在小樣本條件下，基于無監督學習，利用對抗訓練來激勵編碼器最大化樣本及其對應的特征編碼之間的互信息以自適應提取小樣本數據類別特征，通過編碼特征匹配以進一步提高特征空間的類別域的劃分精度以及類別辨識度，最終實現機械設備故障的智能診斷。

為達到上述目的，本發明采用如下技術方案：

一種小樣本下隱式激勵對抗訓練的機械故障智能診斷方法，包括以下步驟：

步驟S1：獲取機械設備各種工況下的一維信號數據，劃分訓練樣本集與測試樣本集并賦予各個訓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，基于聚類學習，利用相關性度量對訓練樣本的特征編碼結果加以約束，獲取類別辨識度明顯的特征信息；

步驟S4：對抗訓練，基于步驟S3的特征匹配約束，通過并聯型神經網絡結構的判別器對訓練樣本及其對應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以及生成器和編碼器的目標函數，通過誤差反向傳播算法訓練判別器、生成器以及編碼器；

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值趨于穩定，輸出編碼器網絡參數；

步驟S6：構建智能診斷模型，將訓練樣本集輸入到步驟S5中得到的編碼器中獲得樣本對應的特征編碼，將特征編碼輸入智能診斷模型得到輸出結果；