CN112257694B - 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法 - Google Patents

一种旋转机械振动信号的稀疏约束生成对抗网络实现方法 Download PDF

Info

Publication number
CN112257694B
CN112257694B CN202011523716.1A CN202011523716A CN112257694B CN 112257694 B CN112257694 B CN 112257694B CN 202011523716 A CN202011523716 A CN 202011523716A CN 112257694 B CN112257694 B CN 112257694B
Authority
CN
China
Prior art keywords
sparse
countermeasure network
generator
vibration signal
sparse constraint
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011523716.1A
Other languages
English (en)
Other versions
CN112257694A (zh
Inventor
丁宇
马梁
马剑
王超
吕琛
程玉杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011523716.1A priority Critical patent/CN112257694B/zh
Publication of CN112257694A publication Critical patent/CN112257694A/zh
Application granted granted Critical
Publication of CN112257694B publication Critical patent/CN112257694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/04—Bearings
    • G01M13/045—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种旋转机械振动信号的稀疏约束生成对抗网络实现方法，包括：构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器；利用对采集的振动信号进行预处理后得到的维度为w的振动信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络；利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到能够利用噪声生成旋转机械振动信号的稀疏约束生成对抗网络。

Description

一种旋转机械振动信号的稀疏约束生成对抗网络实现方法
技术领域
本发明涉及旋转机械振动信号生成技术领域，特别涉及一种旋转机械振动信号的稀疏约束生成对抗网络实现方法。
背景技术
旋转机械作为工业设备中重要的组成部分，在设备工作运行中发挥关键的作用，因此，旋转机械的运行状况能够极大影响设备整体的运行状况，一旦旋转机械发生故障，容易引起设备整体故障，导致设备停机、经济损失及损害人身安全等不良后果。然而旋转机械通常运行于高负载、变工况等恶劣环境条件，容易发生退化和失效，因此针对旋转机械开展故障检测、故障诊断、健康评估等健康管理工作，能够有效掌握其运行状态，在故障发生时进行告警和隔离定位，提高设备运行可靠性。由于旋转机械工作带有明显的周期性，因此其引起的振动信号中包含了与旋转机械本身运行情况与故障情况高度相关的大量信息，因而针对旋转机械的故障检测、诊断等方法大多依赖于采集的振动信号。传统信号分析与特征提取方法能够结合旋转机械工作及故障机理，对其开展检测诊断，并取得较好效果。近年来，随着深度学习技术的发展，基于深度学习方法对旋转机械振动信号开展端到端的检测诊断，引起了广泛的关注和研究。然而，深度学习方法通常依赖大量有标注数据样本。实际场景下，受限于数据采集的高成本性与设备带故障运行的高风险性，获取大量的有标注振动信号样本难以实现，而这一问题影响了深度学习方法的实施效果。因此，利用数据增广方法，开展人工数据生成，基于有限的真实样本生成大量的合成样本，用以补充训练集，成为了解决数据缺乏问题的有效手段。
生成对抗网络，作为无监督生成模型，能够有效从真实数据中学习分布，进而将随机噪声向量变换为与真实数据高度相似的样本，在旋转机械振动信号生成方面已有相关方法得到应用。现有方法主要集中于利用生成对抗网络进行振动信号频谱、振动信号特征的生成。其中，振动信号频谱生成，首先对原始旋转机械振动信号执行快速傅里叶变换，得到振动信号频谱，作为真实样本，对生成对抗网络进行训练，得到大量生成的频谱样本，进而服务于旋转机械后续的检测、诊断、健康评估等健康管理工作。振动信号特征生成，首先对振动信号进行特征提取，包括时域特征、频域特征等，将提取得到的特征组成特征向量，然后利用特征向量作为真是样本，对生成对抗网络进行训练，使网络获得生成振动信号特征的能力。然而，无论是频谱生成还是特征生成，都未能保留原始振动信号的所有信息。现有方法缺少稳定生成旋转机械原始时域振动信号的能力，且均需要复杂的网络结构，更加引发了训练的不稳定性。因此，亟需设计一种能够利用生成对抗网络，无监督地对旋转机械原始时域振动信号分布进行学习，进而能够大量生成振动信号样本的方法，以支持对数据量有较高需求的检测诊断方法的开发应用。
发明内容
本发明的目的是提供一种旋转机械振动信号的稀疏约束生成对抗网络实现方法，用于直接针对旋转机械原始时域振动信号进行无监督学习和大量生成。
本发明所提供的一种旋转机械振动信号的稀疏约束生成对抗网络实现方法包括以下步骤：
构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器，其中所述w和m均为正整数；
利用对采集的振动信号进行预处理后得到的维度为w的振动信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；
利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络；
利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到能够利用噪声生成旋转机械振动信号的稀疏约束生成对抗网络。
优选地，利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络包括：
拆分训练好的稀疏自动编码器，将输入层和隐藏层作为编码器部分，并将隐藏层和输出层作为解码器部分；
通过在拆分训练好的稀疏自动编码器得到的编码器部分之后接入包含一个神经元的输出层，得到稀疏约束生成对抗网络的判别器；
通过在拆分训练好的稀疏自动编码器得到的解码器部分之前接入维度为w的输入层（该输入层的神经元个数为w），得到稀疏约束生成对抗网络的生成器。
优选地，利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练包括：
利用所述振动信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练，得到训练好的判别器；
利用所述噪声样本对稀疏约束生成对抗网络的生成器进行若干次迭代循环训练；
其中，在对生成器进行若干次迭代循环训练期间，训练好的判别器对所述生成器输出的生成样本和所述信号训练样本进行判别，直至所述生成器输出的生成样本逼近所述信号训练样本。
优选地，对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练期间，计算所述判别器损失值；
根据所计算的判别器损失值，对判别器网络参数进行梯度下降更新，直至所述判别器损失值与所述生成器损失值达到纳什均衡状态。
优选地，判别器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及所接入的包含一个神经元的输出层的权重矩阵和偏置向量。
优选地，所述判别器隐藏层和输出层激活函数均为Sigmoid函数。
优选地，对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练期间，计算所述生成器损失值；
根据所计算的生成器损失值，对生成器网络参数进行梯度下降更新，直至所述生成器损失值与所述判别器损失值达到纳什均衡状态。
优选地，所述生成器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及维度为w的输入层的权重矩阵和偏置向量。
优选地，所述生成器隐藏层激活函数为Sigmoid函数，输出层激活函数为tanh函数。
优选地，对采集的振动信号进行预处理后得到维度为w的振动信号训练样本包括：
将振动信号序列的幅值标准化至-1至1之间；
使用宽度为w的窗口将幅值标准化的振动信号序列切分为n个长度为w的振动训练信号样本。
本发明的有益技术效果包括：
1、相比于现有的能够实现振动信号频谱和振动信号特征生成的方法，本发明能够直接针对旋转机械原始时域振动信号进行无监督学习和大量生成，克服了频谱生成和特征生成中所不可避免的信息损失问题；
2、相比于现有的能够在一定程度上实现旋转机械时域振动信号生成的方法，本发明不需要设计复杂的神经网络结构、不需要仔细平衡生成对抗网络训练过程、不需要引入大量训练技巧，即可对不同情况下的振动信号样本进行稳定生成，有效降低了生成的难度和不稳定性；
3、本发明能够有效扩充振动信号样本集，减轻数据量不足对深度学习等对数据量有较高需求的方法的不利影响，提高故障诊断等任务上的模型性能。
下面结合附图以具体实施例对本发明的进行详细说明。
附图说明
图1是本发明的一种旋转机械振动信号的稀疏约束生成对抗网络实现方法的示意图；
图2是本发明的稀疏自动编码器拆分与重组稀疏约束生成对抗网络的过程示意图；
图3是正常状态轴承原始振动信号的示意图；
图4是对正常状态轴承原始振动信号进行预处理后振动信号的示意图；
图5是本发明的稀疏自动编码器训练损失变化示意图；
图6是本发明的稀疏约束生成对抗网络训练损失变化示意图；
图7是本发明训练好的稀疏约束生成对抗网络的正常状态生成振动信号与正常状态真实振动信号及其频谱的比对示意图；
图8是本发明训练好的的稀疏约束生成对抗网络的0.007英寸内圈故障生成振动信号与0.007英寸内圈故障真实振动信号及其频谱的比对示意图；
图9是本发明训练好的的稀疏约束生成对抗网络的0.014英寸内圈故障生成振动信号与0.014英寸内圈故障真实振动信号及其频谱的比对示意图；
图10是本发明训练好的的稀疏约束生成对抗网络的0.021英寸内圈故障生成振动信号与0.021英寸内圈故障真实振动信号及其频谱的比对示意图；
图11是本发明训练好的的稀疏约束生成对抗网络的0.007英寸滚动体故障生成振动信号与0.007英寸滚动体故障真实振动信号及其频谱的比对示意图；
图12是本发明训练好的的稀疏约束生成对抗网络的0.014英寸滚动体故障生成振动信号与0.014英寸滚动体故障真实振动信号及其频谱的比对示意图；
图13是本发明训练好的的稀疏约束生成对抗网络的0.021英寸滚动体故障生成振动信号与0.021英寸滚动体故障真实振动信号及其频谱的比对示意图；
图14是本发明训练好的的稀疏约束生成对抗网络的0.007英寸外圈故障生成振动信号与0.007英寸外圈故障真实振动信号及其频谱的比对示意图；
图15是本发明训练好的的稀疏约束生成对抗网络的0.014英寸外圈故障生成振动信号与0.014英寸外圈故障真实振动信号及其频谱的比对示意图；
图16是本发明训练好的的稀疏约束生成对抗网络的0.021英寸外圈故障生成振动信号与0.021英寸外圈故障真实振动信号及其频谱的比对示意图。
具体实施方式
图1显示了本发明的一种旋转机械振动信号的稀疏约束生成对抗网络实现方法，包括以下步骤：
构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器，其中所述w和m均为正整数；
利用对采集的振动信号进行预处理后得到的维度为w的振动信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；
利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络；
利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到能够利用噪声生成旋转机械振动信号的稀疏约束生成对抗网络。
具体地说，利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络如图2所示，包括：
拆分训练好的稀疏自动编码器，将输入层和隐藏层作为编码器部分，并将隐藏层和输出层作为解码器部分，即通过获取和/或复制训练好的稀疏自动编码器输入层、输出层和隐藏层对应的代码，得到训练好的稀疏自动编码器的编码器部分和解码器部分；
通过在拆分训练好的稀疏自动编码器得到的编码器部分之后接入包含一个神经元的输出层，得到稀疏约束生成对抗网络的判别器；
通过在拆分训练好的稀疏自动编码器得到的解码器部分之前接入维度为w输入层（该输入层的神经元个数为w个），得到稀疏约束生成对抗网络的生成器。
具体地说，利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练包括：
利用所述振动信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练，得到训练好的判别器；
利用所述噪声样本对稀疏约束生成对抗网络的生成器进行若干次迭代循环训练；
其中，在对生成器进行若干次迭代循环训练期间，训练好的判别器对所述生成器输出的生成样本和所述信号训练样本进行判别，直至所述生成器输出的生成样本逼近所述信号训练样本。
具体地说，对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练期间，计算所述判别器损失值；
根据所计算的判别器损失值，对判别器网络参数进行梯度下降更新，直至所述判别器损失值与所述生成器损失值达到纳什均衡状态，如图6所示。
本发明的判别器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及所接入的包含一个神经元的输出层的权重矩阵和偏置向量，并且判别器隐藏层和输出层激活函数均为Sigmoid函数。
具体地说，对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练期间，计算所述生成器损失值；
根据所计算的生成器损失值，对生成器网络参数进行梯度下降更新，直至所述生成器损失值与所述判别器损失值达到纳什均衡状态。
本发明的生成器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及维度为w的输入层的权重矩阵和偏置向量，并且生成器隐藏层激活函数为Sigmoid函数，输出层激活函数为tanh函数。
本发明的上述方法的具体实施方式包括以下步骤：
步骤一：旋转机械振动信号数据预处理
在旋转机械处于一定工况、一定负载、一定健康状态的条件下，使用传感器采集振动信号。设采集得到的振动信号序列为
Figure 649182DEST_PATH_IMAGE001
，其中s代表采样点总个数。首先，将振动信号序列幅值标准化至-1至1之间，标准化公式如下
Figure 304677DEST_PATH_IMAGE002
其中
Figure 879009DEST_PATH_IMAGE003
和
Figure 798424DEST_PATH_IMAGE004
分别代表序列V的最大值和最小值。
标准化完成之后，使用宽度为w的窗口将振动信号序列V切分为
Figure 384388DEST_PATH_IMAGE005
个长度为w的样本，其中[i]代表不超过i的最大整数。设
Figure 317840DEST_PATH_IMAGE006
，则经过预处理之后，得到包含n个长度为w的样本的振动信号训练样本集
Figure 425474DEST_PATH_IMAGE007
。
步骤二：稀疏自动编码器构建
构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器。
自动编码器为包含一个输入层、一个隐藏层、一个输出层的三层神经网络。对于输入向量x，神经网络目的是学习一个恒等映射，即
Figure 972080DEST_PATH_IMAGE008
其中
Figure 802764DEST_PATH_IMAGE009
是网络输出的重构样本，
Figure 546598DEST_PATH_IMAGE010
和
Figure 111834DEST_PATH_IMAGE011
分别代表编码器和解码器的权重矩阵以及偏置向量。
网络的编码器部分将输入样本转化为隐藏层的输出向量，即
Figure 389363DEST_PATH_IMAGE012
Figure 537535DEST_PATH_IMAGE013
是隐藏层的输出向量。
Figure 953735DEST_PATH_IMAGE014
是编码器的模型参数，包括
Figure 176906DEST_PATH_IMAGE015
和
Figure 71175DEST_PATH_IMAGE016
。
Figure 339434DEST_PATH_IMAGE017
是非线性激活函数，通常使用Sigmoid函数，其表达式为
Figure 847906DEST_PATH_IMAGE018
解码器将隐藏层输出向量转化为输出向量，即
Figure 512368DEST_PATH_IMAGE019
其中
Figure 131700DEST_PATH_IMAGE020
是解码器的激活函数。
以输入样本与输出向量之间的均方根误差（MSE）作为自动编码器的损失函数，即
Figure 356530DEST_PATH_IMAGE021
稀疏自动编码器，即在自动编码器的隐藏层引入稀疏约束，限制隐藏层神经元的激活情况，能够更有效地对输入样本进行编码和提取特征。设对于输入样本
Figure 239167DEST_PATH_IMAGE022
，第j个隐藏层神经元的激活值为
Figure 499247DEST_PATH_IMAGE023
，则对于一批n个输入样本，该神经元的平均激活值为
Figure 656690DEST_PATH_IMAGE024
稀疏自动编码器希望隐藏层神经元的平均激活值保持在一个较低水平
Figure 718449DEST_PATH_IMAGE025
，
Figure 31707DEST_PATH_IMAGE025
即为稀疏参数，常取一个接近于0的正实数。使用Kullback-Leibler（KL）散度度量实际平均激活情况与稀疏参数之间的偏差程度，即
Figure 372558DEST_PATH_IMAGE026
其中
Figure 146741DEST_PATH_IMAGE027
为隐藏层共m个神经元的平均激活值组成的激活向量。当实际平均激活情况越高，该KL散度值越大，因此将该项KL散度引入稀疏自动编码器的损失函数中，与重构误差损失MSE同时优化，即
Figure 623859DEST_PATH_IMAGE028
(1)
Figure 661348DEST_PATH_IMAGE029
为重构误差MSE损失与稀疏KL散度损失共同组合得到的稀疏自动编码器损失，
Figure 20654DEST_PATH_IMAGE030
是控制稀疏约束惩罚项力度的超参数。
步骤三：稀疏自动编码器训练
稀疏自动编码器构建完成后，使用步骤一构建的旋转机械振动信号训练样本集对其进行训练。对于一个迭代（epoch）而言，训练过程如下。设每对网络参数进行一次更新，使用的一批样本数量为batch_size个。
步骤301：随机打乱样本集
Figure 332948DEST_PATH_IMAGE031
的顺序。
步骤302：令i=1。
步骤303：当i+batch_size-1不超过样本总数n时，执行以下步骤，否则跳转至308。
步骤304：从样本集
Figure 867835DEST_PATH_IMAGE032
中挑选出一批样本
Figure 804786DEST_PATH_IMAGE033
。
步骤305：按照公式(1)计算上述这批样本的SAE损失
Figure 120230DEST_PATH_IMAGE034
。
步骤306：使用梯度下降算法更新稀疏自动编码器的参数，即
Figure 157587DEST_PATH_IMAGE036
Figure 48445DEST_PATH_IMAGE037
其中
Figure 817949DEST_PATH_IMAGE038
是梯度算子。
步骤307：令i=i+batch_size，重新跳转至步骤303。
步骤308：完成此epoch对所构建稀疏自动编码器的训练。
根据预先设定的epoch总数，对构建的稀疏自动编码器进行若干迭代循环的训练，直至损失函数不再下降，完成对稀疏自动编码器的训练过程。
步骤四：稀疏约束生成对抗网络构建
生成对抗网络，是由生成器和判别器组成的互为对称的神经网络。其中，生成器以随机噪声向量为输入，输出生成样本，其目的是使生成样本与真实样本尽可能相似，以迷惑判别器给出错误的判别结果；判别器以生成样本和真实样本为输入，输出判别结果，其目的是准确辨别输入的样本是来自真实数据分布还是属于生成器的生成样本。
生成器的损失函数如下
Figure 444190DEST_PATH_IMAGE039
其中
Figure 222922DEST_PATH_IMAGE040
是随机噪声向量，
Figure 155237DEST_PATH_IMAGE041
是先验噪声分布，通常选取均匀分布或高斯分布。G和D分别代表生成器和判别器。
判别器的损失函数如下
Figure 626800DEST_PATH_IMAGE042
其中
Figure 107434DEST_PATH_IMAGE043
是真实振动信号样本，
Figure 17752DEST_PATH_IMAGE044
是真实数据分布。
训练过程中，生成器和判别器轮流更新参数，直至达到纳什均衡状态。整个生成对抗网络的训练目标函数如下
Figure 585000DEST_PATH_IMAGE045
如图2所示，将步骤三中训练得到的稀疏自动编码器拆分为两部分：编码器部分和解码器部分。在编码器部分之后接入一层包含1个神经元的网络层，其激活函数为sigmoid函数，作为稀疏约束生成对抗网络的判别器；在解码器之前接入一层神经元个数与振动信号样本维度相同的网络层作为输入层，构成稀疏约束生成对抗网络的生成器。因此，稀疏生成对抗网络的生成器和判别器均为输入层-隐藏层-输出层的三层网络结构。
由于在步骤二和步骤三中稀疏约束的存在，此时生成器和判别器的隐藏层仍包含稀疏约束，因此称之为稀疏约束生成对抗网络。
步骤五：稀疏约束生成对抗网络训练
稀疏约束生成对抗网络构建完成后，使用步骤一中得到的旋转机械振动信号训练样本集对其进行训练。
由于生成器与判别器的隐藏层中稀疏约束的存在，相比于基本的生成对抗网络，本发明中的稀疏约束生成对抗网络目标函数有所不同。其中，生成器的目标函数如下
Figure 571673DEST_PATH_IMAGE046
(2)
其中，
Figure 817846DEST_PATH_IMAGE047
表示生成器第二层（即隐藏层）所有神经元的平均激活值组成的激活向量，
Figure 813746DEST_PATH_IMAGE048
是控制生成器中稀疏约束惩罚项力度的超参数。
类似地，判别器的目标函数如下
Figure 777111DEST_PATH_IMAGE049
(3)
其中，
Figure 495537DEST_PATH_IMAGE050
表示判别器第二层（即隐藏层）所有神经元的平均激活值组成的激活向量，
Figure 730472DEST_PATH_IMAGE051
是控制判别器中稀疏约束惩罚项力度的超参数。
对于一个迭代（epoch）而言，训练过程如下。设每对网络参数进行一次更新，使用的一批样本数量为p个。
步骤501：令q=0。
步骤502：当q小于设定的判别器训练次数时，顺序执行下述步骤；否则跳转至步:506。
步骤503：在先验噪声分布中，随机采样p个随机噪声向量；在真实旋转机械振动信号样本集中，随机抽取p个真实振动信号样本。
步骤504：根据上述噪声样本和真实样本，计算如式(3)的判别器损失值
Figure 169543DEST_PATH_IMAGE052
，并对判别器网络参数进行梯度下降更新：
Figure 806323DEST_PATH_IMAGE053
。
步骤505：令q=q+1，重新跳转至步骤502。
步骤506：在先验噪声分布中，随机采样p个随机噪声向量。
步骤507：根据上述噪声样本，计算如式(2)的生成器损失值
Figure 226809DEST_PATH_IMAGE054
，并对生成器网络参数进行梯度下降更新：
Figure 214619DEST_PATH_IMAGE055
。
步骤508：完成此epoch对稀疏约束生成对抗网络的训练。
根据预先设定的epoch总数，对构建的稀疏约束生成对抗网络进行若干迭代循环的训练，直至生成器与判别器达到平衡，生成器能够生成逼真的振动信号样本，至此完成对稀疏约束生成对抗网络的训练过程。
步骤六：旋转机械振动信号生成
在先验噪声分布中，随机采样噪声向量，输入训练好的稀疏约束生成对抗网络的生成器中，执行前向传播，获得生成器的输出向量，即为模型输出的与真实旋转机械振动信号高度相似的生成样本，完成旋转机械振动信号生成。
具体实施例
本发明实施例中，采用由凯斯西楚大学（Case Western Reserve University,CWRU）提供的公开数据集，对发明的方法进行有效性验证。
数据集中，包含由加速度计采集的滚珠轴承振动信号。试验与采集信号的试验台由驱动电机、扭矩传感器/编码器、测力计、控制电路组成，采集信号的加速度计以磁吸的方式与设备相连。
负载水平为1-hp，振动信号的采样频率为48 kHz。数据集中共包含正常（N）、内圈故障（IR）、滚动体故障（B）、外圈故障（OR），其中内圈故障、滚动体故障和外圈故障模式下，各包含0.007、0.014、0.021英寸三种不同的故障尺寸。因此，数据集中共包含10种不同的健康状态。
由于对不同健康状态下的振动信号执行生成的具体方法均相同，因此选取正常状态下的振动信号为例，展示步骤一至步骤五的实施效果；步骤六中将全部10种健康状态的生成结果进行展示。
旋转机械振动信号数据预处理
正常状态下，轴承原始振动信号包含10秒采样的数据，共计480000个点，如图3所示。
首先，将振动信号序列幅值标准化至-1至1之间。标准化完成之后，使用宽度为320的窗口将振动信号序列切分为1500个长度为320的样本。其中，部分标准化并切分得到的样本如图4所示。
稀疏自动编码器构建
构建输入层维度和输出层维度为320，隐藏层维度为160的稀疏自动编码器。其中，隐藏层激活函数使用Sigmoid函数，输出层激活函数使用tanh函数。控制稀疏约束惩罚项力度的超参数
Figure 50857DEST_PATH_IMAGE056
。构建结果如下表所示。
Figure 208388DEST_PATH_IMAGE057
稀疏自动编码器训练
每对网络参数进行一次更新，使用的一批样本数量为64个。训练epoch数为1000次。训练过程损失变化情况下图5所示。
稀疏约束生成对抗网络构建
将步骤三中训练得到的稀疏自动编码器拆分为两部分：编码器部分和解码器部分。在编码器部分之后接入一层包含1个神经元的网络层，其激活函数为sigmoid函数，作为稀疏约束生成对抗网络的判别器；在解码器之前接入一层神经元个数与振动信号样本维度相同（320维）的网络层作为输入层，构成稀疏约束生成对抗网络的生成器。因此，生成器为320-160-320的三层结构神经网络；判别器为320-160-1的三层结构神经网络。生成器隐藏层激活函数为Sigmoid函数，输出层激活函数为tanh函数，隐藏层稀疏惩罚超参数
Figure 799775DEST_PATH_IMAGE058
；判别器隐藏层激活函数和输出层函数均为Sigmoid函数，隐藏层稀疏惩罚超参数
Figure 9302DEST_PATH_IMAGE058
。随机噪声分布选取取值在-1到1之间的均匀分布。
生成器构建结果如下表所示。
Figure 649230DEST_PATH_IMAGE059
判别器构建结果如下表所示。
Figure 260603DEST_PATH_IMAGE060
稀疏约束生成对抗网络训练
每对网络参数进行一次更新，使用的一批样本数量为50个。对抗训练epoch数为2000次。训练过程损失变化情况如图6所示。
从生成器和判别器损失变化趋势可以看出，对抗训练过程比较稳定，未发生损失大幅度震荡或损失发散的情况。
旋转机械振动信号生成
针对10种健康状态下的轴承振动数据，分别执行本发明的上述步骤，完成稀疏约束生成对抗网络的训练。分别采样一个噪声向量，输入训练好的模型中，执行振动信号生成。生成的振动信号、真实的振动信号、生成的信号频谱、真实的信号频谱如图7-图16所示。
从生成结果中可以看出，对于10种不同振动健康状态下的振动信号，本发明所提出的稀疏约束生成对抗网络均能够实现稳定生成；在频域中，生成信号与真实信号的频谱主要频率、能量大小均基本吻合，说明本发明的稀疏约束生成对抗网络从时域振动信号中学习到了关键的频域信息。本发明所生成的旋转机械振动信号，可作为真实样本集的有效扩充和增广，为后续的故障检测、故障诊断等健康管理模型性能提升起到辅助作用。
尽管上文对本发明进行了详细说明，但是本发明不限于此，本技术领域技术人员可以根据本发明的原理进行各种修改。因此，凡按照本发明原理所作的修改，都应当理解为落入本发明的保护范围。

Claims (9)

1.一种旋转机械振动信号的稀疏约束生成对抗网络实现方法，包括：
构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器；
利用对采集的振动信号进行预处理后得到的维度为w的振动信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；
利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络，具体包括：
拆分训练好的稀疏自动编码器，将输入层和隐藏层作为编码器部分，并将隐藏层和输出层作为解码器部分；
通过在拆分训练好的稀疏自动编码器得到的编码器部分之后接入一层包含一个神经元的输出层，得到稀疏约束生成对抗网络的判别器；
通过在拆分训练好的稀疏自动编码器得到的解码器部分之前接入维度为w的输入层，得到稀疏约束生成对抗网络的生成器；
利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到能够利用噪声生成旋转机械振动信号的稀疏约束生成对抗网络。
2.根据权利要求1所述的稀疏约束生成对抗网络实现方法，其中，利用维度为w的振动信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练包括：
利用所述振动信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练，得到训练好的判别器；
利用所述噪声样本对稀疏约束生成对抗网络的生成器进行若干次迭代循环训练；
其中，在对生成器进行若干次迭代循环训练期间，训练好的判别器对所述生成器输出的生成样本和所述信号训练样本进行判别，直至所述生成器输出的生成样本逼近所述信号训练样本。
3.根据权利要求1所述的稀疏约束生成对抗网络实现方法，其中，对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练期间，计算判别器损失值；
根据所计算的判别器损失值，对判别器网络参数进行梯度下降更新，直至所述判别器损失值与生成器损失值达到纳什均衡状态。
4.根据权利要求3所述的稀疏约束生成对抗网络实现方法，其中，所述判别器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及所接入的一个神经元的权重矩阵和偏置向量。
5.根据权利要求3或4所述的稀疏约束生成对抗网络实现方法，其中，所述判别器隐藏层和输出层激活函数均为Sigmoid函数。
6.根据权利要求1所述的稀疏约束生成对抗网络实现方法，其中，对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练包括：
在利用所述信号训练样本和噪声样本对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练期间，计算生成器损失值；
根据所计算的生成器损失值，对生成器网络参数进行梯度下降更新，直至所述生成器损失值与判别器损失值达到纳什均衡状态。
7.根据权利要求6所述的稀疏约束生成对抗网络实现方法，其中，所述生成器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及维度为w的输入层的权重矩阵和偏置向量。
8.根据权利要求6或7所述的稀疏约束生成对抗网络实现方法，其中，所述生成器隐藏层激活函数为Sigmoid函数，输出层激活函数为tanh函数。
9.根据权利要求1-4任一项所述的稀疏约束生成对抗网络实现方法，其中，对采集的振动信号进行预处理后得到维度为w的振动信号训练样本包括：
将振动信号序列的幅值标准化至-1至1之间；
使用宽度为w的窗口将幅值标准化的振动信号序列切分为n个长度为w的振动训练信号样本。
CN202011523716.1A 2020-12-22 2020-12-22 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法 Active CN112257694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011523716.1A CN112257694B (zh) 2020-12-22 2020-12-22 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011523716.1A CN112257694B (zh) 2020-12-22 2020-12-22 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法

Publications (2)

Publication Number Publication Date
CN112257694A CN112257694A (zh) 2021-01-22
CN112257694B true CN112257694B (zh) 2021-03-16

Family

ID=74225799

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011523716.1A Active CN112257694B (zh) 2020-12-22 2020-12-22 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法

Country Status (1)

Country Link
CN (1) CN112257694B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935252B (zh) * 2021-12-17 2022-05-13 清华大学 旋转机械缺失故障特征恢复方法及系统
CN115860054B (zh) * 2022-07-21 2023-09-26 广州工商学院 基于生成对抗网络的稀疏码本多址编解码系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3576020A1 (en) * 2018-05-30 2019-12-04 Siemens Healthcare GmbH Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN110674836A (zh) * 2019-08-06 2020-01-10 厦门大学 一种基于生成网络的稀疏对抗样本生成方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109489946A (zh) * 2018-09-21 2019-03-19 华中科技大学 一种旋转机械的故障诊断方法及系统
CN110060368B (zh) * 2019-04-22 2020-03-10 苏州大学 基于潜在特征编码的机械异常检测方法
CN110779746B (zh) * 2019-10-24 2021-08-10 西安理工大学 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法
CN110823576B (zh) * 2019-11-18 2021-04-30 苏州大学 基于生成对抗网络的机械异常检测方法
CN111428853B (zh) * 2020-01-16 2023-07-11 东华大学 一种带噪声学习的负样本对抗生成方法
CN111966883B (zh) * 2020-08-13 2024-02-23 成都考拉悠然科技有限公司 结合自动编码器和生成对抗网络的零样本跨模态检索方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3576020A1 (en) * 2018-05-30 2019-12-04 Siemens Healthcare GmbH Methods for generating synthetic training data and for training deep learning algorithms for tumor lesion characterization, method and system for tumor lesion characterization, computer program and electronically readable storage medium
CN110674836A (zh) * 2019-08-06 2020-01-10 厦门大学 一种基于生成网络的稀疏对抗样本生成方法

Also Published As

Publication number Publication date
CN112257694A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
Tao et al. Bearing fault diagnosis method based on stacked autoencoder and softmax regression
CN110428004B (zh) 数据失衡下基于深度学习的机械零部件故障诊断方法
Wu et al. Induction machine fault detection using SOM-based RBF neural networks
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
Deutsch et al. Using deep learning based approaches for bearing remaining useful life prediction
CN112257694B (zh) 一种旋转机械振动信号的稀疏约束生成对抗网络实现方法
CN105758644A (zh) 基于变分模态分解和排列熵的滚动轴承故障诊断方法
CN104616033A (zh) 基于深度学习和支持向量机的滚动轴承故障诊断方法
CN111783362B (zh) 一种电动闸阀剩余使用寿命确定方法及系统
CN111238815B (zh) 一种样本不平衡下基于数据增强的轴承故障识别方法
Huang et al. A Fault Diagnosis Approach for Rolling Bearing Based on Wavelet Packet Decomposition and GMM-HMM.
CN110907177A (zh) 一种基于分层极限学习机的轴承故障诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN112132102A (zh) 一种深度神经网络结合人工蜂群优化的智能故障诊断方法
CN113255432A (zh) 基于深度神经网络与流形对齐的汽轮机振动故障诊断方法
CN112257695B (zh) 一种利用稀疏约束生成对抗网络生成振动信号的方法
CN113324758B (zh) 一种基于半监督对抗网络的轴承故障诊断方法
CN113256443A (zh) 核电水泵导轴承故障检测方法、系统、设备及可读存储介质
Xiao et al. Adaptive feature extraction based on Stacked Denoising Auto-encoders for asynchronous motor fault diagnosis
Ren et al. Fault diagnosis with imbalanced data based on auto-encoder
Zhou et al. Bearing fault diagnosis based on RF-PCA-LSTM model
CN114235409B (zh) 一种轻量化通信的滚动轴承多用户协同智能故障诊断方法
Sun et al. Application of deep belief networks for precision mechanism quality inspection
Song et al. A study on fault diagnosis method of rolling bearing based on wavelet packet and improved BP neural network
Li et al. Deep learning based end-to-end rolling bearing fault diagnosis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant