CN108647786A - 基于深度卷积对抗神经网络的旋转机械在线故障监测方法 - Google Patents

Abstract

本发明提供了一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，属于机械设备故障监测领域。本发明将振动信号传感器安装在旋转机械上采集信号，生成离线训练集，模型训练阶段，用健康数据训练生成网络和判别网络，使两个网络达到纳什平衡，以平衡点作为判断阈值；在线检测阶段，将实时数据输入训练好的判别网络中，计算判别网络的输出指标，作为诊断依据，实现了旋转机械典型零部件轴承的在线故障监测；本发明能够在故障数据稀少、标签类别不足的情况下有效训练模型，同时采用卷积判别网络和反卷积生成网络组成的对抗生成网络能够在非平稳工况下自适应的过滤噪音的干扰，不依赖统人工经验和统计学假设，具备较高的泛化能力和鲁棒性。

Description

基于深度卷积对抗神经网络的旋转机械在线故障监测方法

技术领域

本发明属于机械设备故障监测领域，特别涉及一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法。

背景技术

工程机械设备的发展水平直接关系到国家的综合实力、国际地位与核心竞争力，机械设备日趋向智能化和复杂化，轴承和齿轮等旋转机械的运行状态是否正常直接影响到整个大型机械设备的加工精度、运行可靠性及寿命等性能参数。开展旋转机械状态监测和故障诊断的研究是保证机械设备运行安全稳定的基础。随着工业生产的大型化、系统化和信息化，对关键部件旋转机械的安全运行要求越来越严格，将目前先进的测试技术用于旋转机械的故障诊断研究中将具有重要的意义。

当前旋转机械在线故障检测领域存在以下两个难点：1.基于故障特征提取和信号处理技术的故障诊断是故障特征提取的重要手段，通常认为振动信号包含了旋转机械设备大量的运行信息，因此可利用振动信号的时频域指标来评估检测设备的健康状态；而处于复杂工况下的机械设备的振动信号通常是非平稳状态，需要大量人工经验进行特征提取，同时，由于易收到噪声干扰，旋转机械设备的振动信号具有较低的信噪比；2.旋转机械在线检测中广泛存在信号样本不平衡和故障标签缺失的现象，由于设备出现重大故障时均会导致设备停止运行，难以收集设备故障信号、提取故障特征，同时标注样本标签需要耗费大量人力成本，导致故障样本少、正常样本多，有标签样本少、无标签样本多，使用传统数据驱动的方法难以有效的训练诊断模型。3.常见的无监督学习如自编码及其变体网络，以其重构误差的大小作为异常检测判据，但模型本身并不存在产生阈值的理论基础，阈值的选取依赖人工经验和大量统计学假设，且受实际研究对象响较大。

发明内容

为实现在低信噪比、非平稳工况下有效实施旋转机械在线故障检测，本发明提出了一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，将振动信号传感器安装在旋转机械上采集运行振动信号，将收集到的数据输入离线数据库，模型训练阶段，用健康数据训练对抗网络的生成网络和判别网络，使两个网络达到纳什平衡，以平衡点作为判断阈值；在线检测阶段，将光纤载荷数据输入训练好的判别网络中，计算判别网络的输出指标，以此作为诊断依据；在复杂工况条件下实现旋转机械典型零部件轴承的在线故障监测，具备较高的泛化能力和鲁棒性。

一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，包括以下步骤：

步骤1，通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据；

步骤2，建立深度卷积对抗神经网络，所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器；

步骤3，输入所述历史运行数据对所述深度卷积对抗神经网络进行训练，直到所述深度卷积对抗神经网络达到纳什平衡；

步骤4，保存训练好的所述深度卷积对抗神经网络中的判别网络参数；

步骤5，所述振动信号传感器在线采集所述旋转机械的在线运行数据，将所述在线运行数据输入至训练好的判别网络中；

步骤6，基于所述判别网络的输出，对所述旋转机械的运行状态做出判断，得到所述旋转机械的运行状态结果。

进一步地，所述生成网络由反卷积层构成；所述判别网络由卷积层和全连接层构成；所述随机噪声生成器产生与输入数据同纬度的高斯分布信号。

进一步地，所述步骤3包括以下流程：

为了学习所述生成网络关于历史运行数据x上的分布p_g，历史运行数据的 x分布为p_data，p_z(z)为输入高斯噪声的先验变量，D(x)为x来源于历史运行数据分布的概率，G(z)为噪声z到历史运行数据空间的映射；

训练所述判别网络时，网络优化目标为

训练所述生成网络时，网络优化目标为

当所述深度卷积对抗神经网络训练达到纳什平衡时，所述生成网络生成与历史运行数据同分布的数据，p_g＝p_data，此时

对于历史运行数据同分布的数据x′，D(x′)的输出在波动，以此作为平衡点。

进一步地，所述判别网络采用SDG优化算法。

进一步地，所述生成网络采用ADAM算法。

进一步地，步骤6包括以下流程：

步骤61，判断所述判别网络的输出是否偏离平衡点；

步骤62，若所述判别网络的输出偏离了平衡点，表示所述旋转机械处于故障状态；

步骤63，若所述判别网络的输出未偏离平衡点，表示所述旋转机械处于健康状态。

本发明的有益效果：本发明提供了一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，本发明采用无监督学习算法，能够在故障数据稀少、标签类别不足的情况下有效训练模型，同时本发明采用卷积判别网络和反卷积生成网络组成的对抗生成网络能够在非平稳工况下自适应的过滤噪音的干扰，学习到更为鲁棒性的特征；最后，本发明选用的深度卷积对抗网络训练达到平衡时，判别网络对和训练集同分布的数据的输出均在纳什平衡点附近波动，相比自编码器系列网络，存在理论阈值的判定条件，不依赖统人工经验和统计学假设。

附图说明

图1为本发明实施例的流程图。

图2为深度卷积对抗神经网络结构示意图。

图3为判别网络和生成网络参数结构示意图。

图4为图1中步骤6的流程图。

图5为变转速情况下正常轴承振动信号。

图6为变转速情况下故障轴承振动信号。

图7为转速变化图。

图8为判别网络和生成网络训练过程中损失函数变化图。

图9为判别网络输出示意图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

请参阅图1，本发明提出的一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，通过以下步骤实现：

步骤1，通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据。

本实施例中，振动信号传感器安装在旋转机械上采集运行振动信号，该步骤中采集的为健康的旋转机械正常运行的历史健康数据，将收集到的数据作为离线数据训练集。对原始数据进行滑动平移窗切片处理，切片点数为4096，滑动步距为2048。

步骤2，建立深度卷积对抗神经网络，所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器。

请参阅图2，建立深度卷积对抗神经网络如图所示，生成网络由反卷积层构成，判别网络由卷积层和全连接层构成，随机噪声生成器产生与输入数据同纬度的高斯分布信号。

请参阅图3，判别网络和生成网络的各项详细参数具体如图所示。

步骤3，输入所述历史运行数据对所述深度卷积对抗神经网络进行训练，直到所述深度卷积对抗神经网络达到纳什平衡。

本实施例中，观测步骤2中模型生成网络和判别网络损失函数的分布情况，直到网络达到纳什平衡，固化对抗网络中的判别网络参数，将其作为故障监测依据，具体为：

为了学习所述生成网络关于历史运行数据x上的分布p_g，历史运行数据的 x分布为p_data，p_z(z)为输入高斯噪声的先验变量，D(x)为x来源于历史运行数据分布的概率，G(z)为噪声z到历史运行数据空间的映射；

训练所述判别网络时，网络优化目标为

训练所述生成网络时，网络优化目标为

当所述深度卷积对抗神经网络训练达到纳什平衡时，所述生成网络生成与历史运行数据同分布的数据，即p_g＝p_data，此时

对于历史运行数据同分布的数据x′，D(x′)的输出在附近波动，以此平衡点作为在线故障监测的依据。

本实施例中，为保证网络训练过程中没有信息丢失，卷积层和反卷积层之间不添加池化层；由于在非平稳工况下采集到的信号信噪比低，为使网络训练更稳定，对判别网络采用SGD优化算法，生成网络采用ADAM算法。

步骤4，保存训练好的所述深度卷积对抗神经网络中的判别网络参数。

本实施例中，提取并保存训练好的判别网络参数。

步骤5，所述振动信号传感器在线采集所述旋转机械的在线运行数据，将所述在线运行数据输入至训练好的判别网络中。

本实施例中，将振动信号传感器在线采集到的在线运行数据输入到训练好的判别网络中，进行旋转机械状态的在线检测。

步骤6，基于所述判别网络的输出，对所述旋转机械的运行状态做出判断，得到所述旋转机械的运行状态结果。

请参阅图4，步骤6通过以下流程实现：

步骤61，判断所述判别网络的输出是否偏离平衡点。

本实施例中，平衡点作为在线故障监测的依据。

步骤62，若所述判别网络的输出偏离了平衡点，表示所述旋转机械处于故障状态。

步骤63，若所述判别网络的输出在平衡点附近，表示所述旋转机械处于健康状态。

具体的，为验证本发明算法可行性，进行如下实验：

在变转速工况下，本实验中健康状态轴承振动信号为h_data，如图5所示；故障状态轴承振动信号为f_data，如图6所示；实验中转子转速的变化如图7所示；使用中前10％作为训练集对网络进行训练，判别网络和生成网络的损失函数变换如图8所示；以中未训练数据和作为测试集，输入至训练好的判别网络中，输出如图9所示，可以观察到故障数据对应的判别网路输出明显偏离平衡点，实现了对旋转机械典型零部件轴承的故障监测。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (6)

1.一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，包括以下步骤：

步骤1，通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据；

步骤2，建立深度卷积对抗神经网络，所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器；

步骤3，输入所述历史运行数据对所述深度卷积对抗神经网络进行训练，直到所述深度卷积对抗神经网络达到纳什平衡；

步骤4，保存训练好的所述深度卷积对抗神经网络中的判别网络参数；

步骤5，所述振动信号传感器在线采集所述旋转机械的在线运行数据，将所述在线运行数据输入至训练好的判别网络中；

步骤6，基于所述判别网络的输出，对所述旋转机械的运行状态做出判断，得到所述旋转机械的运行状态结果。

2.如权利要求1所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述生成网络由反卷积层构成；所述判别网络由卷积层和全连接层构成；所述随机噪声生成器产生与输入数据同纬度的高斯分布信号。

3.如权利要求1所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述步骤3包括以下流程：

为了学习所述生成网络关于历史运行数据x上的分布p_g，历史运行数据的x分布为p_data，p_z(z)为输入高斯噪声的先验变量，D(x)为x来源于历史运行数据分布的概率，G(z)为噪声z到历史运行数据空间的映射；

训练所述判别网络时，网络优化目标为

训练所述生成网络时，网络优化目标为

当所述深度卷积对抗神经网络训练达到纳什平衡时，所述生成网络生成与历史运行数据同分布的数据，p_g＝p_data，此时

对于历史运行数据同分布的数据x′，D(x′)的输出在波动，以此作为平衡点。

4.如权利要求3所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述判别网络采用SDG优化算法。

5.如权利要求3所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述生成网络采用ADAM算法。

6.如权利要求3所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，步骤6包括以下流程：

步骤61，判断所述判别网络的输出是否偏离平衡点；

步骤62，若所述判别网络的输出偏离了平衡点，表示所述旋转机械处于故障状态；

步骤63，若所述判别网络的输出未偏离平衡点，表示所述旋转机械处于健康状态。