CN110823576B - 基于生成对抗网络的机械异常检测方法 - Google Patents

Abstract

本发明公开了一种基于生成对抗网络的机械异常检测方法。本发明一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围。本发明的有益效果：本发明方法首先利用正常信号训练生成对抗网络，以学习正常信号的数据分布，所得伪造信号与正常信号的相似度较大。

Description

基于生成对抗网络的机械异常检测方法

技术领域

本发明涉及机械异常检测领域，具体涉及一种基于生成对抗网络的机械异常检测方法。

背景技术

旋转机械设备常常服役于重载、高速、高温等复杂环境，其内部零部件不可避免地会出现损伤进而影响到整个系统的正常工作，甚至引起重大事故。为了确保机械设备的健康运行，需要采集大量的监测数据来反映健康状况，如何有效利用监测数据准确、及时地检测出机械异常，为机械设备的维护与检修提供可靠的依据，成为机械健康监测领域的热点。

在实际应用中，常常采用监测数据的时域或频域统计指标，如峭度、均方根、功率谱熵等，反映机械系统的健康状况。当指标值持续增大或减小时，认为机械出现了异常。然而，机械设备因受设备结构复杂、故障信号微弱等因素的影响，采用简单的统计指标进行故障诊断的精度与准确性一般不高。近年来，深度学习理论在特征挖掘、知识学习中所表现出来的优势为机械设备智能运维提供了一个新手段。深度学习通过建立深层神经网络模型，可以直接从信号中提取故障特征，实现机械健康状况的智能诊断。目前在故障智能诊断中运用广泛的几种模型包括卷积神经网络(CNN)、深度置信网络(DBN)、循环神经网络(RNN)等。这些模型通过大量的历史数据和相对应的故障标签作为训练输入，训练后的智能诊断模型可以实现对机械设备故障类型或故障严重程度的分类。但是这些模型需要采集机械设备在不同健康状况下的数据来作为训练样本和知识；而故障作为一个偶发事件，其数据样本难以获取，有时只能获取机械正常状态下的样本。如何在异常样本缺失情况下实现机械设备异常检测成为一个难点。

计算时域或频域统计指标是机械健康监测的常用方法。该方法计算各时间段测得的监测信号在时域或者频域中的统计指标，如峭度、均方根、功率谱熵等，描绘并观察指标值随时间的变化趋势。当指标值无明显变化趋势时，认为机械设备无故障，当指标值随时间持续增大或减小时，认为机械设备出现异常。

深度学习方法是当前最热门的基于模型的机械健康监测方法。传统的深度学习方法通过不同健康状况下的机械监测历史数据训练诊断模型，然后采用训练后的诊断模型对监测对象新测得的数据进行测试，当新数据与某一历史数据特征相似时，认为机械设备具有该历史数据的健康状况。

传统技术存在以下技术问题：

基于信号统计指标的方法受机械设备结构复杂、监测数据噪声较强等因素的影响，对机械异常的识别能力弱，无法及时检测出异常，也常常出现误判，即在机械设备无异常时也会出现指标值持续变化的情况。

基于传统深度学习模型的方法因需要不同故障类型下大量的历史数据训练诊断模型，不能在异常样本缺失情况下建立诊断模型，进而不能实现异常样本缺失情况下的机械异常检测。

发明内容

本发明要解决的技术问题是提供一种基于生成对抗网络的机械异常检测方法，针对信号统计指标对异常的检测能力弱的问题，以及传统深度学习智能诊断网络模型需要异常样本对其训练的问题，本发明采用生成对抗网络提取异常敏感特征。本发明只用正常样本训练生成对抗网络，从而不需要异常样本参与训练；生成对抗网络中的生成网络和鉴别网络通过相互博弈来学习样本特征，可以获得对异常极为敏感的特征用于机械异常检测。

为了解决上述技术问题，本发明提供了一种基于生成对抗网络的机械异常检测方法，包括：

正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；

网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；

待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围；

网络测试:把预处理后的待测信号输入到训练后的生成对抗网络，不断更新优化随机噪声以使生成的伪造信号与输入信号的差距最小；

异常检测:持续向网络输入预处理后的监测信号，计算各信号与最终伪造信号的相似度，观察相似度指标随时间的变化情况，当持续减小时，判定异常发生。

在其中一个实施例中，所述第一预设范围是[0,1]。

在其中一个实施例中，所述第二预设范围是[0,1]。

在其中一个实施例中，网络训练的优化算法包括(SGD)、带动量的随机梯度下降法(Momentum)、Nesterov动量法、Adagrad算法、自适应矩估计法(Adam)中的至少之一。

在其中一个实施例中，伪造信号与输入信号之间的差距计算方法包括平均绝对误差法和均方误差法中的至少之一。

在其中一个实施例中，网络测试中优化随机噪声的算法包括随机梯度下降法(SGD)、带动量的随机梯度下降(Momentum)、Nesterov动量法、Adagrad算法、自适应矩估计法(Adam)中的至少之一。

在其中一个实施例中，各输入信号与伪造信号之间的相似度计算方法包括皮尔逊相关系数法、平均绝对误差法、均方误差法中的至少之一。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本发明方法首先利用正常信号训练生成对抗网络，以学习正常信号的数据分布，所得伪造信号与正常信号的相似度较大；然后利用训练后的网络对待测信号进行测试，学习待测信号的数据分布，通过比较伪造信号和对应待测信号的相似度来实现异常检测。本方法中的生成对抗网络是通过正常信号训练的，在测试中只有当正常信号输入时可以正确生成与输入信号数据分布相似的伪造信号；当网络输入异常信号时，生成的伪造信号的数据分布与输入异常信号的相似度较小，据此可以检测出异常信号。由于生成对抗网络对正常信号的特征学习能力强，在测试中当机械系统出现微小异常时，网络生成的伪造信号和输入的待测信号之间就会表现出较大差异，因此本发明方法对异常的检测能力较强。该技术方法至少具有以下优点：(1)本发明方法公开的网络模型只采用正常样本对其训练，可以在异常样本缺失情况下实现机械异常检测；(2)对比峭度、均方根、功率谱熵等信号统计特征，本发明方法提取的特征对机械早期故障更为敏感。

附图说明

图1为本发明实施例公开的一种基于生成对抗网络的机械异常检测方法的实施流程图。

图2为本发明实施例提供的轴承全寿命振动信号的时域波形拼接图。

图3为采用峭度指标对图2所述信号进行计算后得到的轴承状态变化情况。

图4为采用本发明公开的技术对图2所述信号进行处理后得到的轴承状态变化情况。

图5为轴承第32分钟时的振动信号及其包络谱图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

由背景技术可知，现有的基于信号统计指标的诊断方法对机械早期故障识别能力差，容易出现误判，而基于传统深度学习模型的方法在异常样本缺失情况下无法实现机械异常检测。

因此，本发明公开了一种基于生成对抗网络的机械异常检测方法。该方法采用生成网络和鉴别网络对抗训练，通过学习旋转机械正常状态下振动信号的数据分布，建立诊断模型，当模型输入故障状态下的振动信号时，模型根据真实信号与伪造信号的差异，来实现对机械异常的有效检测。

根据上述发明内容和附图1的一种基于生成对抗网络的机械异常检测方法，该技术具体包括：

步骤101：正常信号预处理。对正常信号进行傅里叶变换，并将频谱归一化到[0,1]范围。

步骤102：网络训练。利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过网络后能够生成与预处理后的正常信号数据分布相似的伪造信号。

生成对抗网络一共包含两个结构：(1)生成网络，其输入是服从高斯分布的随机噪声，其作用是对噪声进行解码，生成伪造信号，其目标是使伪造信号和预处理后的正常信号具有相同的维度和数据分布，相似度大；(2)判别网络，其输入是预处理后的正常信号和由生成网络生成的伪造信号，其作用是对两个信号进行鉴别，其目标是判断两个信号分别来自于真实正常信号和伪造信号的概率。

在网络训练过程中，定义网络损失函数，通过反向传播算法优化网络参数。在反向传播过程中通过计算判别网络对信号判别的准确性进行网络优化。首先，固定生成网络，通过最小化判别网络损失优化判别网络，使判别网络能对信号的真实性给出准确的判别；然后，固定判别网络，通过最大化判别网络损失优化生成网络，使生成网络生成接近于预处理后的正常样本信号数据分布的伪造信号，以让判别网络无法判断信号的真实性；最后，通过以上生成网络与判别网络之间的对抗训练，生成网络生成的伪造信号接近于预处理后正常样本信号的数据分布，而判别网络也难以判断信号的真伪，此时两者之间达到纳什平衡，网络训练完成。

步骤103：待测信号预处理。对待测信号进行傅里叶变换，并将频谱归一化到[0,1]范围。

步骤104：网络测试。把预处理后的待测信号输入到训练后的生成对抗网络，不断更新优化随机噪声以使生成的伪造信号与预处理后的输入信号的差距最小。

步骤105、异常检测。持续向网络输入预处理后的监测信号，计算各信号与最终伪造信号的相似度，观察相似度指标随时间的变化情况，当持续减小时，判定异常发生。

为了更加清楚地了解本发明的技术方案及其效果，下面结合一个具体的实施例进行详细说明。

以轴承异常检测为例，该轴承型号为6804DU，采用电机驱动轴承内圈转动，转速为1650rpm，在轴承座上安装加速度传感器来采集轴承的振动信号，采样频率为25.6kHz，每间隔10秒进行一次采集，一次采集0.1s，共2560个数据点。数据从设备开始运转时采集，直至设备发生严重故障后停机并停止采集，一共采集到了797组振动数据，共132.8分钟。图2是本发明实施例提供的轴承全寿命振动信号的时域波形拼接图。

采用峭度指标对图2所述信号进行分析，结果如图3所示。通过图3可以看出，在大约第125.5分钟时，信号的峭度值出现了明显增加，说明通过峭度指标判断轴承出现异常的时间是第125.5分钟，在这之前认为轴承运转正常。

采用本发明公开的技术对图2所述信号进行处理。

首先利用轴承运转早期数据对网络进行训练，即取前100组振动数据，对每组数据2560个数据点进行傅里叶变换，随后进行归一化，得到100组、每组长度为1280个数据点的频域数据。这些数据作为生成对抗网络的训练样本以学习正常样本信号的数据分布。生成对抗网络中的生成网络输入长度为100、均值为0、方差为1的随机噪声，网络结构采用两层全连接层和四层反卷积层，通过全连接层将噪声输入解码到长度为1024的数据，随后输入卷积层，卷积层每层维度分别是64、32、16和1，反卷积核大小均为121，每层反卷积之间连接批归一化层和LeakyRelu激活函数层，最后输出层采用Sigmoid激活函数，得到一组幅值在[0,1]、长度为1280个数据点的伪造信号。判别网络有两部分输入：真实的训练样本信号和伪造信号。判别网络的网络结构共有四层卷积层和三层全连接层，每层分别采用16、32、64和100个卷积核，每个卷积核大小均为121，卷积层之间采用批归一化和LeakyRelu激活函数进行连接。卷积层之后采用全连接层将信号降至1维，随后由Sigmoid激活函数输出一个[0,1]之间的值来代表信号来自于真实数据集的概率，即判断输入信号是数据集中的真实信号还是由生成网络生成的伪造信号。

网络优化的目标函数如下：

式中，x代表真实的训练样本信号；z代表随机噪声；D(·)代表判别网络给出其所输入信号来自于真实数据集的概率；G(·)代表生成对抗网络输出的伪造信号；V(·)代表目标函数计算出的数值；E_x～pdata(·)代表真实分布中的所有x在P_data分布中的期望；E_z～pz(·)代表随机噪声分布中的所有随机噪声z在P_z分布中的期望。

实验中，采用适应性矩估计算法(Adam)对网络进行优化，当生成网络损失与判别网络损失趋于平衡时，结束网络训练。

优化完成后将全部797组信号依次输入到已经训练完成的网络中，进行网络的测试和异常检测。测试过程中每一次取797组信号中的一组信号x进行检测。首先，向生成网络输入长度为100的随机噪声z，得到伪造信号G(z)。随后，计算信号x与伪造信号G(z)的损失。本实例采用的损失函数L_dis包含两个部分。

第一部分，计算伪造信号G(z)与真实的测试样本x之间的损失值:

L_res＝∑(x-G(z))²；

第二部分，计算伪造信号G(z)和真实的测试样本x在判别网络中间层输出的损失值:

L_dis＝∑(D_f(x)-D_f(G(z)))²。

其中，D_f(·)代表判别网络的中间层输出。

通过将两部分损失值相加得到整体损失：

L_dis＝(1-λ)L_res+λL_dis

其中，λ为权重，本实例中取λ＝0.1。

通过对损失函数进行反向传播，不断更新随机噪声来最小化该损失函数，采用适应性矩估计算法(Adam)对随机噪声z进行更新，多次迭代后得到最优噪声

此时得到最接近信号x的伪造信号

最后计算信号x和伪造信号

之间的皮尔逊相关系数，作为各真实信号和伪造信号的相似度指标。所有797组信号的相似度指标值如图4所示。可以看出，在大约第32分钟后，相似度数值小于之前数值，且有逐渐减小的趋势，说明轴承在采集第32分钟时发生了异常。该方法得出的异常起始点比根据峭度值得出的异常起始点要早很多，提前大概93.5分钟检测出轴承异常。

为了证明轴承在采集第32分钟时确实发生了异常，单独提取第32分钟数据进行包络谱分析，时域以及相应的包络谱如图5所示。从图中可以看出，频率200Hz处出现峰值，该频率与轴承内圈故障特征频率相同，可以认定此时轴承的内圈出现故障。因此，利用本发明公开的技术提取的特征相较于信号统计特征对异常更为敏感，能更早地识别出轴承异常。

综上所述，本发明方法通过机械正常状态信号建立异常检测模型，然后向模型输入新监测信号，计算监测信号与伪造信号的相似度指标来检测异常。由于本发明公开的网络模型只能准确学习机械正常状态下样本的数据分布特征，当机械出现异常时，样本的数据分布发生改变，生成的伪造信号无法准确还原异常样本信号，伪造信号与异常样本信号的相似度减小，从而实现对机械异常及时有效地检测。该方法克服了基于信号统计指标诊断方法中故障识别能力弱的问题，以及传统深度学习智能诊断网络模型需要异常样本对其训练的问题，可以在异常样本缺失情况下及时检测出机械异常，在机械智能诊断方面具有重要的实际应用价值。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (6)

1.一种基于生成对抗网络的机械异常检测方法，其特征在于，包括：

正常信号预处理：对正常信号进行傅里叶变换，并将频谱归一化到第一预设范围；

网络训练：利用多组预处理后的正常信号对生成对抗网络进行训练，使随机噪声通过生成对抗网络后能够生成与预处理后的正常信号数据分布相似的伪造信号；

待测信号预处理：对待测信号进行傅里叶变换，并将频谱归一化到第二预设范围；

网络测试:把预处理后的待测信号输入到训练后的生成对抗网络，不断更新优化随机噪声以使生成的伪造信号与输入信号的差距最小；

异常检测:持续向生成对抗网络输入预处理后的待测信号，计算各待测信号与最终伪造信号的相似度，观察相似度指标随时间的变化情况，当持续减小时，判定异常发生；

其中，生成对抗网络一共包含两个结构：(1)生成网络，其输入是服从高斯分布的随机噪声，其作用是对噪声进行解码，生成伪造信号，其目标是使伪造信号和预处理后的正常信号具有相同的维度和数据分布，相似度大；(2)判别网络，其输入是预处理后的正常信号和由生成网络生成的伪造信号，其作用是对两个信号进行鉴别，其目标是判断两个信号分别来自于真实正常信号和伪造信号的概率；

网络训练中，网络优化的目标函数如下：

式中，x代表真实的训练样本信号；z代表随机噪声；D(·)代表判别网络给出其所输入信号来自于真实数据集的概率；G(·)代表生成对抗网络输出的伪造信号；V(·)代表目标函数计算出的数值；E_x～pdata(·)代表真实分布中的所有x在P_data分布中的期望；E_z～pz(·)代表随机噪声分布中的所有随机噪声z在P_z分布中的期望；

采用适应性矩估计算法对网络进行优化，当生成网络损失与判别网络损失趋于平衡时，结束网络训练；

优化完成后将全部信号依次输入到已经训练完成的网络中，进行网络的测试和异常检测；测试过程中每一次取全部信号中的一组测试样本信号x进行检测；首先，向生成网络输入随机噪声z，得到伪造信号G(z)；随后，计算测试样本信号x与伪造信号G(z)的损失；采用的损失函数L_dis包含两个部分；

第一部分，计算伪造信号G(z)与真实的测试样本信号x之间的损失值:

L_res＝∑(x-G(z))²；

第二部分，计算伪造信号G(z)和真实的测试样本信号x在判别网络中间层输出的损失值:

L_dis＝∑(D_f(x)-D_f(G(z)))²；

其中，D_f(·)代表判别网络的中间层输出；

通过将两部分损失值相加得到整体损失：

L_dis＝(1-λ)L_res+λL_dis

其中，λ为权重；

通过对损失函数进行反向传播，不断更新随机噪声来最小化该损失函数，采用适应性矩估计算法对随机噪声z进行更新，多次迭代后得到最优噪声

此时得到最接近测试样本信号x的伪造信号

最后计算测试样本信号x和伪造信号

之间的皮尔逊相关系数，作为各真实信号和伪造信号的相似度指标。

2.如权利要求1所述的基于生成对抗网络的机械异常检测方法，其特征在于，所述第一预设范围是[0,1]。

3.如权利要求1所述的基于生成对抗网络的机械异常检测方法，其特征在于，所述第二预设范围是[0,1]。

4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到3任一项所述方法的步骤。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到3任一项所述方法的步骤。

6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到3任一项所述的方法。

Images