CN112329520B - 基于生成对抗学习的货车轴承故障识别方法 - Google Patents

基于生成对抗学习的货车轴承故障识别方法 Download PDF

Info

Publication number
CN112329520B
CN112329520B CN202011011024.9A CN202011011024A CN112329520B CN 112329520 B CN112329520 B CN 112329520B CN 202011011024 A CN202011011024 A CN 202011011024A CN 112329520 B CN112329520 B CN 112329520B
Authority
CN
China
Prior art keywords
data
fault
model
training
vibration
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
CN202011011024.9A
Other languages
English (en)
Other versions
CN112329520A (zh
Inventor
何庆
李晨钟
唐海川
汪建辉
刘琦
李杰波
王平
杨康华
李子涵
高天赐
王启航
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202011011024.9A priority Critical patent/CN112329520B/zh
Publication of CN112329520A publication Critical patent/CN112329520A/zh
Application granted granted Critical
Publication of CN112329520B publication Critical patent/CN112329520B/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
    • G06F2218/12—Classification; Matching
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G01M7/02—Vibration-testing by means of a shake table
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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

Landscapes

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

Abstract

本发明涉及轴承故障识别技术领域，涉及一种基于生成对抗学习的货车轴承故障识别方法，包括：1、建立轮对振动试验台，设计并制作不同故障类别的滚动轴承，进行测试，获取振动信号；2、数据处理；3、建立一维信号的卷积神经网络模型，将源域数据输入到模型中进行参数预训练；4、通过生成对抗网络模型进行训练；5、利用训练后的生成对抗网络模型合成大量目标域数据，利用合成的数据对卷积神经网络进行二次训练；6、使用所述卷积神经网络对未知数据进行测试。本发明能够利用生成对抗网络模型解决了训练数据量不足的问题，能够结合深度学习方法对各类故障类型的数据进行分类。

Description

基于生成对抗学习的货车轴承故障识别方法
技术领域
本发明涉及轴承故障识别技术领域，具体地说，涉及一种基于生成对抗学习的货车轴承故障识别方法。
背景技术
铁路运输是我国目前最主要的货运方式之一，广泛适用于长距离，大运量的陆地运输。随着货运机车的轴重不断增大，运行速度不断加快，车辆轮轴系统中的滚动轴承服役条件逐渐恶化。滚动轴承在高温、高速的运营环境下容易出现剥落、磨损、开裂等故障，极大地影响列车运营安全性。长期以来，货运机车的养护维修采用人工定期抽查的方法，该方法效率低，成本高，且存在一定的盲目性和滞后性，不能够在故障发生之前采取有效的维修手段。
近年来随着大数据和人工智能的发展，涌现了许多针对轴承故障识别的方法和手段，然而这些方法普遍都是建立在大量数据的基础上。当故障类型改变时需要搜集大量该类型的数据对模型重新进行训练，而无法在数据量较少，数据集极度不均衡的条件下，在原有模型的基础上“举一反三”，实现对新故障类别数据的诊断和识别。
发明内容
本发明的内容是提供一种基于生成对抗学习的货车轴承故障识别方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于生成对抗学习的货车轴承故障识别方法，其包括以下步骤：
步骤1、建立轮对振动试验台，设计并制作不同故障类别的滚动轴承，将其依次安装于轮对振动试验台上进行测试，获取轮对在高速转动下轴箱的振动信号；
步骤2、将振动信号上传到服务器终端，按照一定窗长大小对原始数据进行移动分窗处理，对处理后的时域振动信号数据进行快速傅里叶变换得到其对应的频域信号，并按照一定规则将所有工况类别的振动频域信号数据划分为源域数据和目标域数据，目标域数据进一步划分为辅助数据和未知数据；
步骤3、建立一维信号的卷积神经网络模型，将源域数据输入到模型中进行参数预训练；
步骤4、将训练后的卷积神经网络模型作为生成对抗网络模型的分类器，并将源域数据和辅助数据作为生成对抗网络模型的输入，通过生成对抗网络模型进行训练；
步骤5、利用训练后的生成对抗网络模型合成大量目标域数据，利用合成的数据对卷积神经网络进行二次训练；
步骤6、使用所述卷积神经网络对未知数据进行测试。
作为优选，步骤1中，通过无线加速度传感器获取轮对在高速转动下轴箱的振动响应信号。
作为优选，步骤1中，不同故障类别的滚动轴承的分类方法为：根据故障位置分为内圈、外圈和滚子故障，每类故障位置又进一步划分为剥落、磨损和开裂故障，以上包含正常轴承在内共计10种工况。
作为优选，步骤2中，源域数据为正常、内圈剥落、内圈磨损、内圈开裂、外圈剥落和滚子剥落的数据，目标域数据为外圈磨损、外圈开裂、滚子磨损和滚子开裂的数据。
作为优选，步骤2中，按照0.001、0.01、0.05、0.1、0.5或0.8的比例将目标数据集划分为辅助数据和未知数据。
作为优选，步骤4中的具体步骤如下：
步骤4.1、将辅助数据和源域数据的各类故障轴承振动频域信号，对应的故障类别标签及故障属性输入到模型中；
步骤4.2、生成具有正态分布的随机噪声，并将随机噪声和故障属性输入到 GAN模型的子模块生成器中，生成一系列故障属性对应的伪振动信号；
步骤4.3、将伪振动信号和对应故障属性下真实的振动信号数据输入到GAN 模型的子模块鉴别器中，输出一个0到1之间的标量代表鉴别器对该伪振动信号的评价分数，数值越高代表越接近真实数据；同时，在真假样本之间进行采样，并将采样结果输入到鉴别器中；鉴别器的损失函数最终组成为假数据得分结果加采样数据得分结果加真数据得分结果的相反数，采样数据得分结果项为梯度惩罚；经过反复的迭代和参数更新后，鉴别器能够尽可能地识别真实和伪造的数据；
步骤4.4、经过若干次步骤4.3的迭代后，训练回到步骤4.2过程中；同时，将生成器输出的伪数据输入到步骤3预训练得到的卷积神经网络分类器中得到故障类型的诊断结果；生成器的损失函数为鉴别器给出的评价分数和分类器给出的诊断结果之和，通过梯度下降法对生成器参数进行更新，使生成器输出的伪振动信号尽可能地和真实数据一致；通过多次步骤4.2到步骤4.4的循环迭代，使生成器和鉴别器在对抗学习中更加强大，鉴别器迫使生成器输出的伪数据和真实数据越来越接近。
作为优选，步骤5中的具体步骤如下：
步骤5.1、将目标数据集的各类故障类别标签及故障属性输入到经步骤4训练后的模型中；
步骤5.2、将目标数据集的故障属性和随机生成正态分布噪声输入到模型中的生成器子模块，得到对应该故障属性的伪振动信号；
步骤5.3、将步骤5.2得到的大量目标域伪振动信号输入到卷积神经网络分类器中对该模型进行参数更新，最终使得分类器能够在步骤6中适应新类别数据的故障诊断。
本发明利用卷积神经网络的深度学习方法对轴承振动一维信号进行自动特征识别和筛选。该方法不需要人为提取数据特征，而是模型经过训练自动提取，深度学习提取的特征通常比人为提取特征更准确。当轴承转速、荷载、故障类别改变时，模型能够快速有效地捕捉适用于新模型的特征。通过对原始信号进行多次卷积、池化操作得到不同故障类别的特征，并在最终的全连接层输出各类故障类别的概率，将最大概率的故障类别作为该数据的分类结果。
本发明利用生成对抗网络模型解决了训练数据量不足的问题，能够结合深度学习方法对各类故障类型的数据进行分类，实现了在训练数据量不足的条件下从原有模型到当前任务的迁移，具有一定的实用性能和工业价值。
附图说明
图1为实施例1中一种基于生成对抗学习的货车轴承故障识别方法的流程图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示，本实施例提供了一种基于生成对抗学习的货车轴承故障识别方法，其包括以下步骤：
步骤1、建立轮对振动试验台，设计并制作不同故障类别的滚动轴承，将其依次安装于轮对振动试验台上进行测试，通过无线加速度传感器获取轮对在高速转动下轴箱的振动信号；不同故障类别的滚动轴承的分类方法为：根据故障位置分为内圈、外圈和滚子故障，每类故障位置又进一步划分为剥落、磨损和开裂故障，以上包含正常轴承在内共计10种工况。
将各类工况下的轴承安装于建立的轮对振动试验台，通过安装于轮对轴箱处的加速度传感器采集每种工况下的振动信号；每组轴承的采样时长为5分钟，采样频率为500Hz/s，轮轴转动角速度为200rad/s；最终所有工况的样本数共计 164个。
步骤2、将振动信号上传到服务器终端，具体方法为：经蓝牙无线设备将振动信号数据传输到采集设备终端，并进一步上传到服务器终端进行数据预处理。
按照一定窗长大小对原始数据进行移动分窗处理，移动分窗处理的方法为：考虑到原始采样数据过长，同时轮对转动具有周期性，按照512个点的长度对原始采样数据进行分窗处理，从而扩展数据集。
由于各类故障轴承的振动信号的主要差异主要体现在频域上，对处理后的时域振动信号数据进行快速傅里叶变换得到其对应的频域信号，并按照一定规则将所有工况类别的振动频域信号数据划分为源域数据和目标域数据，目标域数据进一步划分为辅助数据和未知数据，具体做法为：将正常、内圈剥落、内圈磨损、内圈开裂、外圈剥落和滚子剥落设置为源域数据，将外圈磨损、外圈开裂、滚子磨损和滚子开裂设置为目标数据；值得说明的是，所述划分数据集标准并不唯一，源域数据集不必包含所有类型的故障数据，然而必须包含所有类型的故障属性，源域数据和目标数据没有交集。辅助数据和目标域数据共同组成训练数据，最终模型将在未知数据集上进行测试。以上数据划分过程用于模拟实际工程中故障种类不均衡，故障数据有限的问题。
源域数据和目标域数据划分依据在于：在实际运营条件下，全面、大量的故障轴承振动数据难以采集，且故障轴承的振动信号随货车运行速度，轴重的变化而变化。为了实现通过少量有限数据训练得到具有较好鲁棒性的诊断模型，需要将部分类别的实测数据作为源域数据，通过该部分数据对模型训练后实现“举一反三”的功能。在面对新类别数据(目标域数据)的故障诊断中，仅需要少许训练样本(辅助数据)就能够实现对新故障类型(未知数据)的迁移学习，迁移学习后的模型不会因为训练数据过少而导致模型过拟合或泛化能力降低。
进一步地，按照0.001的比例将目标数据集划分为辅助数据和未知数据。值得说明的是，在迁移学习中，辅助数据集往往比未知数集少得多，本实施例中辅助数据集仅占目标数据集的千分之一；辅助数据集和未知数据集的划分方式不唯一，且不会决定最终所述方法的有效性，本实施例仅仅是为了方便使用者理解而提供的一种参考。
步骤3、建立一维信号的卷积神经网络(Convolution Neural Network,CNN) 模型，将源域数据输入到模型中进行参数预训练。得到的模型用于诊断源域数据中不同故障类别的振动信号。
步骤4、将训练后的卷积神经网络模型作为生成对抗网络(GenerativeAdversarial Network,GAN)模型的分类器，并将源域数据和辅助数据作为生成对抗网络模型的输入，通过生成对抗网络模型进行训练。经过训练后，所述模型能够生成任意故障属性的伪造数据，且生成的数据较接近真实数据。
步骤5、利用训练后的生成对抗网络模型合成大量目标域数据，利用合成的数据对卷积神经网络进行二次训练。
步骤6、使用所述卷积神经网络对未知数据进行测试。
步骤4中的具体步骤如下：
步骤4.1、将辅助数据和源域数据的各类故障轴承振动频域信号，对应的故障类别标签及故障属性输入到模型中；
步骤4.2、生成具有正态分布的随机噪声，并将随机噪声和故障属性输入到 GAN模型的子模块生成器中，生成一系列故障属性对应的伪振动信号；
步骤4.3、将伪振动信号和对应故障属性下真实的振动信号数据输入到GAN 模型的子模块鉴别器中，输出一个0到1之间的标量代表鉴别器对该伪振动信号的评价分数，数值越高代表越接近真实数据；同时，在真假样本之间进行采样，并将采样结果输入到鉴别器中；鉴别器的损失函数最终组成为假数据得分结果加采样数据得分结果加真数据得分结果的相反数，采样数据得分结果项为梯度惩罚，引入该项能够保证Lipschitz连续性条件，从而避免梯度消失和梯度爆炸；经过反复的迭代和参数更新后，鉴别器能够尽可能地识别真实和伪造的数据；
步骤4.4、经过若干次步骤4.3的迭代后，训练回到步骤4.2过程中；同时，将生成器输出的伪数据输入到步骤3预训练得到的卷积神经网络分类器中得到故障类型的诊断结果；生成器的损失函数为鉴别器给出的评价分数和分类器给出的诊断结果之和，通过梯度下降法对生成器参数进行更新，使生成器输出的伪振动信号尽可能地和真实数据一致，从而“骗”过鉴别器；通过多次步骤4.2 到步骤4.4的循环迭代，使生成器和鉴别器在对抗学习中更加强大，鉴别器迫使生成器输出的伪数据和真实数据越来越接近。
步骤5中的具体步骤如下：
步骤5.1、将目标数据集的各类故障类别标签及故障属性输入到经步骤4训练后的模型中；
步骤5.2、将目标数据集的故障属性和随机生成正态分布噪声输入到模型中的生成器子模块，得到对应该故障属性的伪振动信号；
步骤5.3、由于经过步骤4训练后，模型已经能够生成较接近真实数据的各类故障轴承的振动信号，将步骤5.2得到的大量目标域伪振动信号输入到卷积神经网络分类器中对该模型进行参数更新，最终使得分类器能够在步骤6中适应新类别数据的故障诊断。虽然上述过程仅用了很少的目标域数据进行训练，然而生成对抗模型能够自动生成足够多且接近真实的目标域伪数据，从而满足卷积神经网络训练过程中需要大量数据的需求。
步骤3为模型建立，其中又包括CNN模型用于故障轴承诊断，GAN模型用于数据集生成。
CNN模型的拓扑结构，其中输入层大小为512，与输入数据大小一致，输入层后接四层卷积、池化层，在最终池化层后接大小为100的全连接层，最终连接大小为10的输出层，其大小与轴承工况类别一致。卷积操作的计算如下：
Figure GDA0003733244350000071
其中，X代表输入数据，其上标代表卷积层数，下标代表卷积核个数，ω和b 即卷积核权重值和偏置项，f(·)为激活函数，采用线性修正单元ReLU，其公式如下：
f(x)＝max(0，lg(1+ex))；
本实施例采用的卷积和池化层均为一维，以此符合输入数据的维度。卷积神经网络的特点主要在于卷积核，在模型训练过程中，卷积核将按照一定的移动步长对所在层的输入数据进行卷积操作，并将结果输入到激活函数。激活函数将卷积结果进行非线性映射，并将激活值传入池化层。池化层将按照一定区域内的最大值筛选重要特征，并将筛选后的结果传入下一层卷积层。经过多次卷积、池化操作后，模型能够自动地识别出原始数据中代表该类别的重要特征，从而对不同类别的数据进行区分和判断。在本实施例中，第一层卷积层的输入通道数为1，即代表原始数据通道数，输出通道数为8，即代表卷积核个数，卷积核大小为17，移动步长为1，其余卷积层输入和输出通道数均为8，卷积核大小为3，移动步长为1。激活函数采用ReLU线性修正单元，池化层采用MaxPool 池化方式，池化采样核大小为2。
本实施例中CNN模型的损失函数采用采用交叉熵，其具体计算公式如下：
Figure GDA0003733244350000081
其中，p和q分别代表实际值和预测值。
GAN模型的作用主要是根据少量数据生成具有各类故障属性的“以假乱真”的振动数据。其核心思想是通过训练两个对抗模型，其中生成器G负责制造假数据，鉴别器D负责区分G生成的数据和真实数据，两个模型在对抗中不断学习，从而使生成器G能够更好地模拟真实数据。
本实施例中G采用输入层-隐藏层-输出层共计三层的全连接神经网络结构，其中输入层大小为随机噪声长度加上故障属性长度，隐藏层大小为4096，输出层长度为512，即真实数据的长度。D同样采样三层全连接神经网络结构，输入层大小为真实数据长度加故障属性长度，隐藏层大小为32，输出层大小为1，即最终用一个0到1的标量判定该输入数据是否是真实数据，越接近1代表越接近真实数据，反之为伪造数据。
值得补充的是，本实施例中，CNN分类器，生成器G，鉴别器D均采用 Adam优化器对模型参数进行优化，其特点在于，该优化器参数的更新不受梯度的伸缩变换影响，能够自然地实现步长退火过程即自动调整学习率。CNN的损失函数采用交叉熵，而GAN中的G和D子模型的损失函数LG和LD分别为：
Figure GDA0003733244350000082
Figure GDA0003733244350000083
其中，x是真实数据，
Figure GDA0003733244350000091
是生成器产生的伪数据，
Figure GDA0003733244350000092
是介于真假数据间采样数据，α是介于0到1之间的随机数， c(y)是故障属性，β和λ均为可调超参数。
在本实施例中，源域数据包括轴承外圈剥落、内圈磨损等，然而目标域数据是轴承内圈磨损。模型在初始预训练过程中未见过轴承内圈磨损，仅知道轴承外圈故障和轴承磨损的特性，通过迁移学习，模型能够将所学到的“知识”举一反三，从而正确识别轴承内圈磨损。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (7)

1.基于生成对抗学习的货车轴承故障识别方法，其特征在于：包括以下步骤：
步骤1、建立轮对振动试验台，设计并制作不同故障类别的滚动轴承，将其依次安装于轮对振动试验台上进行测试，获取轮对在高速转动下轴箱的振动信号；
步骤2、将振动信号上传到服务器终端，按照一定窗长大小对原始数据进行移动分窗处理，对处理后的时域振动信号数据进行快速傅里叶变换得到其对应的频域信号，并按照一定规则将所有工况类别的振动频域信号数据划分为源域数据和目标域数据，目标域数据进一步划分为辅助数据和未知数据；
步骤3、建立一维信号的卷积神经网络CNN模型，将源域数据输入到模型中进行参数预训练；
步骤4、将训练后的卷积神经网络模型作为生成对抗网络GAN模型的分类器，并将源域数据和辅助数据作为生成对抗网络模型的输入，通过生成对抗网络模型进行训练；
步骤5、利用训练后的生成对抗网络模型合成大量目标域数据，利用合成的数据对卷积神经网络进行二次训练；
步骤6、使用所述卷积神经网络对未知数据进行测试。
2.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤1中，通过无线加速度传感器获取轮对在高速转动下轴箱的振动响应信号。
3.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤1中，不同故障类别的滚动轴承的分类方法为：根据故障位置分为内圈、外圈和滚子故障，每类故障位置又进一步划分为剥落、磨损和开裂故障，以上包含正常轴承在内共计10种工况。
4.根据权利要求3所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤2中，源域数据为正常、内圈剥落、内圈磨损、内圈开裂、外圈剥落和滚子剥落的数据，目标域数据为外圈磨损、外圈开裂、滚子磨损和滚子开裂的数据。
5.根据权利要求4所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤2中，按照0.001、0.01、0.05、0.1、0.5或0.8的比例将目标数据集划分为辅助数据和未知数据。
6.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤4中的具体步骤如下：步骤4.1、将辅助数据和源域数据的各类故障轴承振动频域信号，对应的故障类别标签及故障属性输入到模型中；
步骤4.2、生成具有正态分布的随机噪声，并将随机噪声和故障属性输入到对抗网络GAN模型的子模块生成器中，生成一系列故障属性对应的伪振动信号；
步骤4.3、将伪振动信号和对应故障属性下真实的振动信号数据输入到对抗网络GAN模型的子模块鉴别器中，输出一个0到1之间的标量代表鉴别器对该伪振动信号的评价分数，数值越高代表越接近真实数据；同时，在真假样本之间进行采样，并将采样结果输入到鉴别器中；鉴别器的损失函数最终组成为假数据得分结果加采样数据得分结果加真数据得分结果的相反数，采样数据得分结果项为梯度惩罚；经过反复的迭代和参数更新后，鉴别器能够尽可能地识别真实和伪造的数据；
步骤4.4、经过若干次步骤4.3的迭代后，训练回到步骤4.2过程中；同时，将生成器输出的伪数据输入到步骤3预训练得到的卷积神经网络分类器中得到故障类型的诊断结果；生成器的损失函数为鉴别器给出的评价分数和分类器给出的诊断结果之和，通过梯度下降法对生成器参数进行更新，使生成器输出的伪振动信号尽可能地和真实数据一致；通过多次步骤4.2到步骤4.4的循环迭代，使生成器和鉴别器在对抗学习中更加强大，鉴别器迫使生成器输出的伪数据和真实数据越来越接近。
7.根据权利要求1所述的基于生成对抗学习的货车轴承故障识别方法，其特征在于：步骤5中的具体步骤如下：步骤5.1、将目标数据集的各类故障类别标签及故障属性输入到经步骤4训练后的模型中；
步骤5.2、将目标数据集的故障属性和随机生成正态分布噪声输入到模型中的生成器子模块，得到对应该故障属性的伪振动信号；
步骤5.3、将步骤5.2得到的大量目标域伪振动信号输入到卷积神经网络分类器中对该模型进行参数更新，最终使得分类器能够在步骤6中适应新类别数据的故障诊断。
CN202011011024.9A 2020-09-23 2020-09-23 基于生成对抗学习的货车轴承故障识别方法 Active CN112329520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011011024.9A CN112329520B (zh) 2020-09-23 2020-09-23 基于生成对抗学习的货车轴承故障识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011011024.9A CN112329520B (zh) 2020-09-23 2020-09-23 基于生成对抗学习的货车轴承故障识别方法

Publications (2)

Publication Number Publication Date
CN112329520A CN112329520A (zh) 2021-02-05
CN112329520B true CN112329520B (zh) 2023-01-31

Family

ID=74303527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011011024.9A Active CN112329520B (zh) 2020-09-23 2020-09-23 基于生成对抗学习的货车轴承故障识别方法

Country Status (1)

Country Link
CN (1) CN112329520B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113341890A (zh) * 2021-04-30 2021-09-03 合肥工业大学 面向自适应调度与无人生产线协同的智能诊断方法和系统
CN113324758B (zh) * 2021-05-27 2022-08-09 西安交通大学 一种基于半监督对抗网络的轴承故障诊断方法
CN114609493B (zh) * 2022-05-09 2022-08-12 杭州兆华电子股份有限公司 一种信号数据增强的局部放电信号识别方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190279075A1 (en) * 2018-03-09 2019-09-12 Nvidia Corporation Multi-modal image translation using neural networks
CN110321813B (zh) * 2019-06-18 2023-06-20 南京信息工程大学 基于行人分割的跨域行人重识别方法
CN110567720B (zh) * 2019-08-07 2020-12-18 东北电力大学 非平衡小样本场景下风机轴承故障深度对抗诊断方法
CN111238815B (zh) * 2020-02-26 2022-05-06 中国民航大学 一种样本不平衡下基于数据增强的轴承故障识别方法
CN111458142B (zh) * 2020-04-02 2022-08-23 苏州新传品智能科技有限公司 基于生成对抗网络和卷积神经网络的滑动轴承故障诊断方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110617966A (zh) * 2019-09-23 2019-12-27 江南大学 一种基于半监督生成对抗网络的轴承故障诊断方法
CN111060318A (zh) * 2020-01-09 2020-04-24 山东科技大学 一种基于深度对抗迁移网络的轴承故障诊断方法

Also Published As

Publication number Publication date
CN112329520A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329520B (zh) 基于生成对抗学习的货车轴承故障识别方法
CN110334764B (zh) 基于集成深度自编码器的旋转机械智能故障诊断方法
CN107941537A (zh) 一种机械设备健康状态评估方法
CN113469060A (zh) 多传感器融合卷积神经网络航空发动机轴承故障诊断方法
CN112763214B (zh) 基于多标签零样本学习的滚动轴承故障诊断方法
CN106874957A (zh) 一种滚动轴承故障诊断方法
CN113255078A (zh) 一种样本不均衡条件下的轴承故障检测方法及装置
CN106326929B (zh) 轨道列车走行部滚动轴承故障的诊断方法
CN110297479B (zh) 一种基于卷积神经网络信息融合的水电机组故障诊断方法
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
CN109781411A (zh) 一种结合改进稀疏滤波器与kelm的轴承故障诊断方法
CN111046916A (zh) 一种基于空洞卷积胶囊网络的电机故障诊断方法及系统
CN114778112A (zh) 风电发电机组机械故障音频识别和故障诊断方法
CN110110809A (zh) 基于机器故障诊断的模糊自动机的构建方法
CN109973331B (zh) 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法
CN110533007A (zh) 一种桥梁车载应变影响线特征智能识别与提取方法
CN113496061A (zh) 一种基于迁移学习和流形距离的som网络聚类机电设备轴承故障分析方法
CN113392881A (zh) 一种基于迁移学习的旋转机械故障诊断方法
CN112364706A (zh) 一种基于类不平衡的小样本轴承故障诊断方法
CN113567131A (zh) 基于s变换与微型卷积神经网络模型的轴承故障诊断方法
CN110487547A (zh) 基于振动图和迁移学习的变工况下滚动轴承故障诊断方法
CN114429152A (zh) 基于动态指数对抗性自适应的滚动轴承故障诊断方法
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
CN112160877A (zh) 一种基于sfa和cnn的风机轴承故障诊断方法
Li et al. Fault diagnosis for rolling bearings of a freight train under limited fault data: Few-shot learning method

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