【技术实现步骤摘要】
本专利技术涉及电机轴承故障诊断领域，具体涉及一种基于重构生成对抗网络的电机轴承不平衡数据集故障诊断方法及系统。
技术介绍
1、随着智能传感器在工业领域的广泛运用，机器运行的过程数据得到巨大的积累，这为基于数据驱动的故障诊断提供了基础。随着机器系统复杂化，传统的故障诊断方法已无法满足故障检测的要求。近年来，深度学习因其网络结构能自动学习数据特征，已在机器故障诊断领域得到迅速发展与应用。
2、尽管目前深度学习在机器故障诊断领域已经取得显著的成果，但应该注意的是，其成功依赖于平衡数据集。然而，在工程实践中，所采集到的样本通常是不平衡样本。机器长期处于无故障工作状态，机器的正常运行时间远大于设备发生故障的时间。也不建议为收集数据样本而使机器运行在故障状态，这样会损害机器使用寿命。传统的深度学习模型在训练不平衡样本数据时，迫使分类器牺牲少数类样本的诊断正确性，而偏向于多数类样本的预测，最终导致错误分类，故障诊断效果欠佳。
3、针对不平衡数据集在故障诊断中带来的挑战，不同的方法被提出。按故障诊断流程可将现有方法分为两类：基于数据方法和基于模型方法。合成少数类过采样技术(synthetic minority oversampling technique，smote)和生成对抗网络(gan)分别是基于数据方法和基于模型方法代表。smote是在少数类样本之间随机线性插值合成新的少数类样本，gan通过学习数据样本特征生成可用样本数据。但是在smote中，当样本存在于分类边缘时，可能会增加分类难度，且新合成的样本只包含有限的故
技术实现思路
1、针对现有技术存在的问题，本专利技术提供一种不平衡数据集下电机轴承的故障诊断方法，该方法引入重构模块与自编码器功能，能够快速、准确地学习少数类故障样本的特征信号，提高模型的生成样本质量，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供一种基于重构生成对抗网络的电机轴承故障诊断方法，具体包括以下步骤：
3、1)当需要对不平衡数据集下的电机轴承进行故障检测时，需要获取多数类健康样本和少数类故障样本对应的特征数据集，按照不平衡比率，分别采集多数类正常样本信号与少数类故障样本信号，不平衡数据集下少数类故障数据，标注为真实样本；
4、2)基于神经网络模型构建生成器网络与判别器网络；
5、基于random模块生成一组随机信号数据作为生成器网络的输入，将生成器网络的输出标记为生成样本，并同真实样本共同训练判别器网络；生成器网络和判别器网络结构具体为：生成器网络在输入层之后，利用四个卷积层作为特征提取器，使用elu作为激活函数；每个卷积层后分别与归一化层和dropout层相连接；
6、判别器网络卷积层的输出与全连接层连接，全连接层利用sigmoid函数作为激活函数，实现分类效果，用以判别生成样本的真假；
7、3)经生成器网络输出的生成样本传递给重构层网络，由编码器将数据转换为低维潜在空间表示，输入数据由解码器使用其所学习的潜在因素来重构；
8、4)构建生成器网络、判别器网络、重构层网络三个网络后，产生一组与真实样本数据同维度的随机噪声信号，将其作为生成器网络的输入，将生成器网络训练后的输出标注为生成样本；将真实样本与生成样本共同作为判别器网络输入，判别器网络判别生成样本真假，基于交叉损失函数计算生成样本与真实样本之间的损失函数l1，损失函数l1反向传递给生成器网络；生成样本作为重构器的输入样本，经重构网络提取内在特征样本后获取样本重构信号，样本重构信号与真实样本经肯纳德系数计算处理，将产生的损失函数l2反向传递给生成器网络，监督样本的生成方向与质量；
9、其中交叉损失函数计算公式如下：
10、
11、式中，l代表交叉损失函数，y代表真实的标签值，代表预测标签；
12、5)基于重构生成对抗网络训练，获取高质量生成样本，将训练好的生成样本与少数类真实样本按照相同故障模态混合扩充至平衡样本数据集；将平衡的数据集分为训练集数据和测试集数据；训练集数据和测试集数据分别送至卷积神经网络模块进行训练与测试，得到轴承故障诊断结果。
13、在本专利技术的一个具体实施例中，步骤1)中，不平衡比率为50:1。
14、在本专利技术的一个实施例中，步骤3)中，编码器将原始时间序列数据x转换为潜在空间中的两个参数：平均值和标准偏差；这些参数表示神经网络学习的后验分布；通过使用变分推断的重新参数化技术获得潜在因子，解码器从潜在因子中重构出新的样本。
15、在本专利技术的另一个实施例中，步骤4)中，生成样本作为重构器的输入样本，经重构网络提取内在特征样本后获取样本重构信号，样本重构信号与真实样本经肯纳德系数计算处理，将产生的损失函数l2反向传递给生成器网络，监督样本的生成方向与质量；具体实施如下：
16、设计生成器网络(g)、判别器网络(d)和重构层网络(en)模型的损失函数，生成对抗网络损失函数公式如下：
17、
18、式中，表示极大似然函数，g,en,d分别表示生成器、编码器和判别器，u(g,en,d)表示生成对抗网络损失函数，p(x,y)代表判别器表征条件分布，(x,y)表示真实样本与生成样本，ep(x,y)表示p(x,y)项的数学期望，d(x,y)表示判别器处理后样本数据，表示pen(x,y)项数学期望，pen(x,y)代表重构器特征概率分布，pg(x,y)代表生成器特征概率分布，表示(x,y)-pg(x,y)，g(z,y)表示生成器生成样本数据，β1，β2均代表超参数；
19、在重构器中引入基于肯纳德系数的损失函数度量，以测量生成的样本与各种故障样本之间的差异；肯纳德损失函数公式如下：
20、
21、式中，lk代表肯纳德损失函数值，xim代表类别m的第i个样本，xmave代表所有类别m样本的均值，k代表肯纳德系数；
22、经生成器网络、判别器网络和重构层网络共同设计的重构生成对抗网络的最终损失函数公式如下：
23、
24、式中，u*(g,en,d)表示经重构层网络后的生成对抗网络损失函数。
25、在本专利技术的另一个具体实施例中，步骤5)中，将平衡的数据集按照例如7:3的比例分为训练集数据和测试集数据
26、与现有技术相比，本专利技术的有益效果是：在gan包含的生成器网络与判别器网络基础上，重新加入由自编码器构成的重构层网络，将生成样本经编码和解码过程后，进一步提取其潜在特征信号，基于肯纳德相关系数准则，计算重构信号与真实样本信号间差异并反馈给生成器网络。重构模块的引入既能够加速生成对抗网络的快速收敛，又能够监督生成样本的方向，提高了生成数据的质量，避免训练网络出本文档来自技高网...
【技术保护点】
1.一种基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤1)中，不平衡比率为50:1。
3.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤3)中，编码器将原始时间序列数据X转换为潜在空间中的两个参数：平均值和标准偏差；这些参数表示神经网络学习的后验分布；通过使用变分推断的重新参数化技术获得潜在因子，解码器从潜在因子中重构出新的样本。
4.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤4)中，生成样本作为重构器的输入样本，经重构网络提取内在特征样本后获取样本重构信号，样本重构信号与真实样本经肯纳德系数计算处理，将产生的损失函数L2反向传递给生成器网络，监督样本的生成方向与质量；具体实施如下：
5.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤5)中，将平衡的数据集按照例如7:3的比例分为训练集数据和测试集数据。
【技术特征摘要】
1.一种基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤1)中，不平衡比率为50:1。
3.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤3)中，编码器将原始时间序列数据x转换为潜在空间中的两个参数：平均值和标准偏差；这些参数表示神经网络学习的后验分布；通过使用变分推断的重新参数化技术获得潜在因子，解码器从潜在因子中重...
【专利技术属性】
技术研发人员：刘勇智，朱佩荣，李添幸，杜皓然，刘婷，来帅雷，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。