[發明專利]一種基于PDA-WGANGP的滾動軸承增強診斷方法

有效

• 申請號: 202110685339.X
• 申請日: 2021-06-21
• 公開（公告）號: CN113486931B
• 公開（公告）日: 2023-05-26
• 發明（設計）人: 陳嘉宇;林翠穎;張清華;葛紅娟
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06N3/0464;G06F18/241;G01M13/04
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 徐曉鷺

1.一種基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：包括如下步驟：步驟1，傳感器采集健康信號與故障信號數據，基于PDA方法預處理該健康信號與故障信號數據并預訓練網絡模型；具體包括：

步驟1.1，通過快速傅里葉變換將數據的時域信號轉換為頻域信號，以增強信號特征，并對信號進行歸一化處理；

步驟1.2，對數據進行劃分，劃分為預訓練數據集、不平衡訓練集以及測試集；

步驟1.3，改進判別器與Dense分類器：利用步驟1.2中的預訓練數據集對判別器與Dense分類器一維卷積網絡進行預訓練，在其后加高維卷積網絡的結構；

步驟2，將所述故障信號數據作為輸入量并調用預訓練后的網絡模型，基于WGANGP方法生成樣本，評估該生成樣本的質量以輸出高質量的故障模型，具體的：步驟2.1，建立WGANGP模型并初始化參數；

步驟2.2，訓練WGANGP模型：引入殘差網絡以改進生成器，將隨機噪聲與故障類別標簽輸入該改進的生成器中，以產生帶有標簽的合成樣本；為不平衡訓練集貼上類別標簽作為輸入的原始樣本；將該合成樣本與原始樣本輸入改進的判別器與Dense分類器中分別進行樣本的真偽判斷與類別分類；

步驟2.3，若改進的判別器判斷數據為合成樣本則給出“假”的判別結果，若改進的判別器判斷數據為原始樣本則給出“真”的判別結果；Dense分類器最終輸出合成樣本與原始樣本的故障類別；

步驟2.4，當改進的判別器不能夠準確判斷某個樣本是原始樣本還是合成樣本時，整個模型達到了納什均衡，輸出基于納什均衡的生成樣本；

步驟2.5，評價步驟2.4輸出的生成樣本的質量，將高質量的生成樣本作為步驟3中平衡訓練集條件下軸承故障診斷的輸入數據；

步驟3，將所述高質量的生成樣本擴充不平衡訓練集后，作為平衡訓練集條件下的輸入樣本訓練故障診斷模型，將步驟1.2中劃分的測試集輸入訓練后的故障診斷模型中，輸出故障診斷結果，驗證網絡模型的診斷能力，最終得出基于PDA-WGANGP的滾動軸承增強診斷結果。

2.根據權利要求1所述的基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：所述步驟2.2中改進生成器方法為引入殘差網絡，將殘差塊A添加至生成器的網絡結構中，以解決卷積神經網絡梯度隨著卷積層增加而導致的梯度消失的現象，其中，殘差塊的輸出為G(A)，F(A)為殘差塊的映射：G(A)＝F(A)+A。

3.根據權利要求2所述的基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：所述生成器的網絡采用IN算法代替BN算法進行模型優化，以加速模型收斂并保持每個信號實例之間的獨立。

4.根據權利要求3所述的基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：所述步驟2.2中將隨機噪聲與故障類別標簽輸入改進的生成器中，具體為：將隨機噪聲向量集Z＝(z₁，z₂，z₃...z_m)，m＝(1，2…)與標簽集Y＝(y¹，y²，y³…y^k)，k＝(1，2…)同時輸入改進的生成器中，以使生成器產生帶有標簽的合成樣本其中，m為需產生樣本的數量，k為故障類別數。

5.根據權利要求1所述的基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：所述Dense分類器采用交替池化方法和激活函數以減少訓練過程中噪聲的影響。