【技术实现步骤摘要】
本专利技术涉及旋转机械振动信号的故障诊断，尤其涉及一种基于gan的信号分辨率增强方法及系统。
技术介绍
1、机械旋转部件在当今工程领域中扮演着不可替代的重要角色，它们被视为机械系统的核心组成部分，一旦发生故障，可能导致整个系统瘫痪，从而影响生产计划和设备正常运行，随着制造业的数字化转型，机械设备产生的大量数据成为宝贵资源，但也带来挑战，因此，工业大数据分析成为解决问题的关键，涉及数据挖掘、机器学习和深度学习等领域的应用。
2、机械故障诊断的发展离不开大数据的支持，然而，机械设备在绝大多数时间里都处于健康状态，采集到足够的故障标记样本用于训练难度极大，这也间接导致了传统深度学习诊断方法性能的不稳定，在实际场景中，采集到的数据呈现长尾分布，健康数据远远多于故障数据，并且缺乏高质量的故障样本，因此，利用生成对抗网络gan等深度学习算法来提高训练样本的数量成为研究热点。
3、虽然通过改进gan可以解决变工况下训练集特征增强的问题，但是由于高端装备正在朝着高速率发展，而数据采集设备的采样频率无法随时改变，导致机械设备转速样本诊断效果变差，在现今故障诊断领域也未出现行之有效的解决方案，依靠数据增强技术增加训练样本量是一种常用的手段，然而时变转速工况下样本信号的复杂程度要远高于定速、轻微转速波动等情形，其非平稳性和非线性将显著增强。各部件的谐波干扰分量、异常冲击、随机噪声以及机械微弱故障信息都将随着时间而变化，设备动态信号的周期性消失，故障冲击特征与其他各分量之间还存在强烈的耦合特性，传统的数据增强方法在处理此问题下的
4、综上所述，如何通过更加有效的特征增强方法对上述问题引起的有效训练样本匮乏现象进行抑制，是当前故障诊断研究中的热点也是难点问题，更是十分具有挑战性的技术。
技术实现思路
1、为克服相关技术中存在的问题，本专利技术公开实施例提供了一种基于gan的信号分辨率增强方法及系统，具体涉及一种基于gan的信号分辨率增强的故障诊断方法。
2、本专利技术采用的技术方案为：一种基于gan的信号分辨率增强方法，包括：
3、s1，将旋转机械的故障样本中低分辨率样本输入到亚像素全连接生成对抗网络框架的生成器中，通过生成器的四个全连接层和一个亚像素全连接层生成高分辨率样本，将生成的高分辨率样本和原始高分辨率样本输入到亚像素全连接生成对抗网络框架的判别器互相对抗；
4、s2，在生成器与判别器互相对抗中，采用adam优化器更新参数进行训练，以最小化包含对抗损失、rmse损失和mmd损失的生成器损失，以及判别器的分类损失；在训练过程中，生成器和判别器交替优化各自的损失函数；通过判别器区分原始高分辨率样本和生成器生成的高分辨率样本，指导生成器生成特征差异更加明显的高分辨率样本，同时使用损失函数确保生成的高分辨率样本与原始高分辨率样本的特征分布相似性；
5、s3，划分原始高分辨率样本为训练集，生成的高分辨率样本作为测试集；使用sae网络结构对生成的高分辨率样本进行分类，输出分类诊断结果。
6、在步骤s1中，将生成的高分辨率样本和原始高分辨率样本输入到亚像素全连接生成对抗网络框架的判别器互相对抗，包括：
7、s101，选取7种健康状态的轴承数据，分为a和b两个数据集，对这两个数据集中的每个样本进行fft处理；
8、s102，划分数据集a为原始高分辨率样本，数据集b为低分辨率样本；
9、s103，将低分辨率样本输入到生成器中进行数据增强，通过生成器中的隐层将低分辨率特征映射成高维度的特征表示；
10、s104，通过亚像素全连接层进行元素重排，生成比原始低分辨率数据增强四倍的高分辨率样本；
11、s105，将生成器生成的高分辨率样本和原始高分辨率样本输入到判别器中互相对抗，促进生成器生成高分辨率样本；
12、s106，使用判别器从原始高分辨率样本和生成器的高分辨率样本之间来判断数据的真实性；
13、s107，使用rmse损失函数确保生成的高分辨率样本在像素级别上匹配原始高分辨率样本；
14、s108，使用mmd损失函数衡量生成的高分辨率样本与原始高分辨率样本分布之间的差异，确保生成的高分辨率样本在整体分布上与原始高分辨率样本相似。
15、在步骤s101中，选取7种健康状态的轴承数据，分为a和b两个数据集，对这两个数据集中的每个样本进行fft处理，包括：
16、轴承的不同健康状态包括：正常、滚珠故障、内圈故障、外圈故障；其中，滚珠故障、内圈故障、外圈故障状态均包含2种不同的损伤程度：0.2mm、0.6mm；
17、轴承由转速为2000r/min的电机驱动旋转；
18、轴承的数据采样频率为25.6khz，每种状况包含200个样本；
19、在步骤s102中，划分数据集a为原始高分辨率样本，数据集b为低分辨率样本，包括：
20、数据集a包含2400数据点，经fft后得1200傅里叶系数，是原始高分辨率样本；
21、数据集b包含600数据点，fft后得300傅里叶系数，为低分辨率样本。
22、在步骤s103中，将低分辨率样本输入到生成器中进行数据增强，通过生成器中的隐层将低分辨率特征映射成高维度的特征表示，包括：四层全连接层，表达式为：
23、
24、
25、
26、
27、式中，分别为第1、2、3、4全连接层目标函数，为低分辨率样本，分别为第1、2、3、4全连接层网络权重，分别为第1、2、3、4全连接层，为relu激活函数；
28、全连接层神经元分别为300,600,900,1200，逐层增加神经元数量，生成器逐步学习并捕捉输入数据的高维特征；
29、在每个全连接层之后，应用relu激活函数，表达式为：
30、
31、式中，为函数的输出，为函数的输入，为0和比较中的最大值。
32、在步骤s104中，通过亚像素全连接层进行元素重排，生成比原始低分辨率数据增强四倍的高分辨率样本，包括：
33、亚像素全连接层由神经元为1200的全连接层和元素重排组成；其中，高分辨率样本生成式为：
34、
35、式中，为生成的高分辨率样本，为重新排列算子；算子将输出信号重新排列，在空间上扩展，实现信号分辨率的四倍提升；
36、在步骤s105中，将生成器生成的高分辨率样本和原始高分辨率样本输入到判别器中互相对抗，促进生成器生成高分辨率样本，包括：将生成的高分辨率样本和原始高分辨率样本同时输入到判别器中，判别器用于将原始高分辨率样本的输出概率最大化为1，并将生成的高分辨率样本的输出概率最小化为0；生成器用于生成逼真的高分辨率样本，使得判别器无法区分生成的高分辨率样本和原始高分辨率样本；随着训练的进行，生成器和判别器交替优化各自本文档来自技高网...
【技术保护点】
1.一种基于GAN的信号分辨率增强方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S1中，将生成的高分辨率样本和原始高分辨率样本输入到亚像素全连接生成对抗网络框架的判别器互相对抗，包括：
3.根据权利要求2所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S101中，选取7种健康状态的轴承数据，分为A和B两个数据集，对这两个数据集中的每个样本进行FFT处理，包括：
4.根据权利要求2所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S103中，将低分辨率样本输入到生成器中进行数据增强，通过生成器中的隐层将低分辨率特征映射成高维度的特征表示，包括：四层全连接层，表达式为：
5.根据权利要求4所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S104中，通过亚像素全连接层进行元素重排，生成比原始低分辨率数据增强四倍的高分辨率样本，包括：
6.根据权利要求5所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S107中，使用RMSE损失函数确保生成
7.根据权利要求6所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S108中，使用MMD损失函数衡量生成的高分辨率样本与原始高分辨率样本分布之间的差异，确保生成的高分辨率样本在整体分布上与原始高分辨率样本相似，包括：
8.根据权利要求1所述的基于GAN的信号分辨率增强方法，其特征在于，在步骤S3中，使用SAE网络结构对生成的高分辨率样本进行分类，输出分类诊断结果，包括：分类层选择Softmax作为分类函数，接收特征提取层的输出，并输出分类诊断结果。
9.根据权利要求8所述的基于GAN的信号分辨率增强方法，其特征在于，所述SAE网络结构包括：输入层、特征提取层和分类层；
10.一种基于GAN的信号分辨率增强系统，其特征在于，该系统实施如权利要求1-9任意一项所述的基于GAN的信号分辨率增强方法，该系统包括：
...【技术特征摘要】
1.一种基于gan的信号分辨率增强方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于gan的信号分辨率增强方法，其特征在于，在步骤s1中，将生成的高分辨率样本和原始高分辨率样本输入到亚像素全连接生成对抗网络框架的判别器互相对抗，包括：
3.根据权利要求2所述的基于gan的信号分辨率增强方法，其特征在于，在步骤s101中，选取7种健康状态的轴承数据，分为a和b两个数据集，对这两个数据集中的每个样本进行fft处理，包括：
4.根据权利要求2所述的基于gan的信号分辨率增强方法，其特征在于，在步骤s103中，将低分辨率样本输入到生成器中进行数据增强，通过生成器中的隐层将低分辨率特征映射成高维度的特征表示，包括：四层全连接层，表达式为：
5.根据权利要求4所述的基于gan的信号分辨率增强方法，其特征在于，在步骤s104中，通过亚像素全连接层进行元素重排，生成比原始低分辨率数据增强四倍的高分辨率样本，包括：
6.根据权利要求5所述的基于g...
【专利技术属性】
技术研发人员：鲍怀谦，秦冉冉，王金瑞，张宗振，韩宝坤，
申请(专利权)人：山东科技大学，
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。