一种基于小样本和GAF-DCGAN的滚动轴承故障诊断方法技术

本发明专利技术公开了一种基于小样本和GAF

【技术实现步骤摘要】
一种基于小样本和GAF
‑
DCGAN的滚动轴承故障诊断方法


[0001]本专利技术属于轴承故障诊断领域，具体涉及一种基于小样本和GAF
‑
DCGAN的工业现场设备滚动轴承故障诊断方法。

技术介绍

[0002]滚动轴承是工业设备的核心部件之一，而且还是导致系统故障的主要原因，据统计可知设备故障的45％～55％都是由轴承损坏引起，所以其故障与否影响着整个工业设备系统的正常运行、性能、效率甚至是安全。为保证工业设备的运行的安全性，对滚动轴承进行有效的故障诊断变得极为重要。目前针对滚动轴承的故障诊断大部分都是对其一维振动信号进行分析研究，并且随着深度学习的快速发展，采用深度学习的智能故障诊断算法在滚动轴承故障诊断领域得到广泛运用。尽管这些方法已经取得了较好的效果，但是大多数研究的基础都在建立在故障数据充足的情况下。在工业设备实际生产过程中，采集的故障数据存在两方面的问题，第一方面是设备发生故障的几率是很小的，故障数据远远不足，即故障数据属于小样本数据，所以对小样本数据的故障诊断方法研究更加符合实际应用；第二方面是采集的数据存在噪声种类繁杂的问题，所以对滚动轴承故障数据的进行小波去噪的研究尤为重要。
[0003]现有技术中，通过GAF将一维时序数据转换为二维图像输入到卷积神经网络(CNN)模型实现故障诊断，但是只是针对西储数据，并没有充分考虑实际故障数据集含有噪声和样本数少的问题。另外，还对含噪故障轴承振动信号进行奇异谱分析，获得重构后的振动信号，将重构的振动信号输入到WDCNN故障诊断模型，进行故障诊断，但是并没有充分利用CNN在图像特征提取方面的优势，不能很好的提高故障诊断准确率。除此之外，徐林,郑晓彤,付博,田歌.基于改进GAN算法的电机轴承故障诊断方法[J].东北大学学报(自然科学版),2019,40(12):1679
‑
1684.提出了一种基于改进GAN算法的轴承故障诊断方法，该方法组合连续小波变换的处理非平衡数据信号的能力和生成对抗网络的处理和识别图像的能力，同时在生成对抗网络的基础上添加了条件模型并且还对损失函数进行了优化，取得了较为满意的诊断结果。但是诊断过程依然存在一些缺陷，连续小波变换处理振动信号转换的二维图像是灰度图像，包含的特征信息并不完全，从而影响滚动轴承的故障诊断准确率。

技术实现思路

[0004]本专利技术的目的在于提供一种基于小样本和GAF
‑
DCGAN的滚动轴承故障诊断方法，在工业设备实际生产过程中，滚动轴承故障数据缺乏情况下，如何更准确地在小样本环境下诊断轴承的故障。
[0005]实现本专利技术目的的技术解决方案为：
[0006]一种基于GAF
‑
DCGAN的滚动轴承故障诊断方法，用于通过分析现场采集的轴承振动信号，来判断轴承是否故障以及故障的类型，包括如下的步骤：
[0007]步骤1、对所采集的轴承数据集进行处理：采集轴承振动数据，形成包含有故障数
据集和正常数据集的样本数据集；
[0008]步骤2、对轴承样本数据集进行去噪处理，得到去噪后的一维轴承数据集；
[0009]步骤3、将去噪后的一维轴承数据集转换为二维故障图像集；
[0010]步骤4、建立DCGAN轴承数据生成模型：利用二维故障图像集对预先构建好的DCGAN模型进行训练，得到一个轴承数据生成模型；所述DCGAN的结构中的生成器和判别器均由卷积神经网络构成。其中判别器结构依次由输入层、第一层卷积层、批标准化、第二层卷积层、批标准化、第三层卷积层、批标准化、第四层卷积层、批标准化、全局池化层、Flatten层、Dense层、输出层组成；生成器主要由输入层、形状变化层、第一层转置卷积层、第二层转置卷积层、第三层转置卷积层、第四层转置卷积层、输出层构成；
[0011]步骤5、初始化DCGAN故障数据生成模型参数，通过二维故障图像集对DCGAN轴承数据生成模型进行训练，对每次训练所得图像计算一个评估值，该评估值表示生成图像与原始图像的综合距离，训练完成的评价标准为该评估值达到设定的阈值，最终得到一个训练好的DCGAN故障数据生成模型；
[0012]步骤6、判定该评估值是否大于设定的阈值，若大于设定的阈值，则在训练好的DCGAN故障数据生成模型的判别器的输出层之后添加一个SoftMax层，使此模型便具备分类能力，使得DCGAN故障数据生成模型转换为DCGAN故障诊断模型；若小于阈值，则转入步骤5；
[0013]步骤7、将步骤6中符合该评估值的生成图像与原始图像数据集进行混合，形成扩充后的样本数据集，将该样本数据集作为DCGAN故障诊断模型的输入，对该模型进行训练，通过计算损失值是否收敛来判断模型是否训练完成，最终得到训练好的轴承故障诊断模型。
[0014]本专利技术与现有技术相比，其显著优点是：
[0015](1)本专利技术通过格米拉角场将一维时序故障振动数据转换为二维图像，由于GAN模型中的生成器与判别器都包含有卷积层，而卷积层的一大优势就是图像特征的提取，所以相对于一维时序信号，二维图像能让模型提取到更完整的特征，从而学习到更多的特征信息，生成相似性更高的图像，很好地解决了工业设备实际生产过程中，故障数据缺乏的问题，最终达到提高故障诊断准确率的目的。
[0016](2)本专利技术提出一个计算生成图像与真实图像综合距离的公式，该公式计算所得值能够很好的判断数据生成网络模型是否训练完成，还为模型何时开始训练故障诊断模型提供参考，最后还能根据该综合距离是否趋于定值来判断GAN是否达到纳什平衡，该值在本专利技术提出的GAF
‑
DCGAN故障诊断模型中即起到了承上启下同时也起到了对数据生成与故障诊断进行分离的作用，这样就合理的进行分工，只有生成图像数据合格之后才能进行故障诊断，这样不仅大幅地提高了模型训练的速度，同时也提高了故障诊断的精确度。
附图说明
[0017]图1处理方法流程图。
[0018]图2算法框架图。
[0019]图3为故障数据小波去噪前后对比图。
[0020]图4为X
f，r
值的判断逻辑图。
[0021]图5为二维故障图像示例图。
[0022]图6为GAF
‑
DCGAN的数据生成网络模型层次图。
[0023]图7为GAF
‑
DCGAN的故障诊断网络模型层次图。
[0024]图8为故障诊断模型损失值曲线和准确率曲线图。
具体实施方式
[0025]下面结合附图及具体实施例对本专利技术做进一步的介绍。
[0026]结合图1和图2，本实施例的一种基于小样本和GAF
‑
DCGAN的滚动轴承故障诊断方法，有以下步骤：
[0027]步骤1：对所采集的轴承数据集进行处理。本实施例的试验对象是电动机驱动端圆柱滚子轴承，型号为TMB
‑
N209M。被诊断的轴承共有3个故障位置：外圈故障、滚动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GAF
‑
DCGAN的滚动轴承故障诊断方法，用于通过分析现场采集的轴承振动信号，来判断轴承是否故障以及故障的类型，其特征在于，包括如下的步骤：步骤1、对所采集的轴承数据集进行处理：采集轴承振动数据，形成包含有故障数据集和正常数据集的样本数据集；步骤2、对轴承样本数据集进行去噪处理，得到去噪后的一维轴承数据集；步骤3、将去噪后的一维轴承数据集转换为二维故障图像集；步骤4、建立DCGAN轴承数据生成模型：利用二维故障图像集对预先构建好的DCGAN模型进行训练，得到一个轴承数据生成模型；所述DCGAN的结构中的生成器和判别器均由卷积神经网络构成。其中判别器结构依次由输入层、第一层卷积层、批标准化、第二层卷积层、批标准化、第三层卷积层、批标准化、第四层卷积层、批标准化、全局池化层、Flatten层、Dense层、输出层组成；生成器主要由输入层、形状变化层、第一层转置卷积层、第二层转置卷积层、第三层转置卷积层、第四层转置卷积层、输出层构成；步骤5、初始化DCGAN故障数据生成模型参数，通过二维故障图像集对DCGAN轴承数据生成模型进行训练，对每次训练所得图像计算一个评估值，该评估值表示生成图像与原始图像的综合距离，训练完成的评价标准为该评估值达到设定的阈值，最终得到一个训练好的DCGAN故障数据生成模型；步骤6、判定该评估值是否大于设定的阈值，若大于设定的阈值，则在训练好的DCGAN故障数据生成模型的判别器的输出层之后添加一个SoftMax层，使此模型便具备分类能力，使得DCGAN故障数据生成模型转换为DCGAN故障诊断模型；若小于阈值，则转入步骤5；步骤7、将步骤6中符合该评估值的生成图像与原始图像数据集进行混合，形成扩充后的样本数据集，将该样本数据集作为DCGAN故障诊断模型的输入，对该模型进行训练，通过计算损失值是否收敛来判断模型是否训练完成，最终得到训练好的轴承故障诊断模型。2.根据权利要求1所述的基于GAF
‑
DCGAN的滚动轴承故障诊断方法，其特征在于，步骤5中的评估值的具体计算公式如下：X
f，r
＝αx
ssim
+βX
psnr
‑
γX
fid
+δ其中，X
f，r
为原始图像和生成图像的综合距离，X
ssim
为原始图像与生成图像的结构相似性，X
psnr
为峰值信噪比，X
fid
为Frechet Incep...

【专利技术属性】
技术研发人员：陆宝春，练鹏，葛超，翁朝阳，顾钱，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：