CN113324758A - 一种基于半监督对抗网络的轴承故障诊断方法 - Google Patents

Abstract

本公开揭示了一种基于半监督对抗网络的轴承故障诊断方法，包括：S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号

S200：构建由生成器g、特征网络f、故障分类器f_c、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号

S202：以振动信号x_f、x_h以及伪轴承振动信号

对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；S203：待步骤S201和步骤S202的训练收敛后，以振动信号x_h、x_f和伪轴承振动信号

对诊断网络diag进行训练；S300：将待测轴承振动信号

输入训练后的诊断网络diag进行故障诊断。

Description

一种基于半监督对抗网络的轴承故障诊断方法

技术领域

本公开属于轴承故障诊断技术领域，具体涉及一种基于半监督对抗网络的轴承故障诊断方法。

背景技术

对于高速列车和航空航天飞行器等高端设备，每次故障的发生意味着巨额的财产损失和不可挽回的人员伤亡，而轴承状态监测与故障诊断是其故障预测与健康管理(PHM)的核心任务之一，以卷积神经网络为代表的深度学习方法已经在轴承故障诊断任务中取得了很大的成功，这一成就得益于它的网络结构特征和训练方法，如局部权值共享等。然而在实际应用过程中，高速列车、风力发电设备、航空发动机等高端装备的轴承运行状态可以通过传感器进行实时监测，从而获得大量正常运行状态的数据，如发生异常，则必须立即停机或返回工厂维修，以防止发生灾难性事故。因此，在各种故障状态下，难以获得大量真实数据，这就导致在构建故障识别模型时出现数据类别不平衡的问题，使得深度卷积神经网络的分类精度大大降低。

一般来说，解决数据类别不平衡的方法可以分为基于数据的方法和基于分类器的方法。基于数据的方法最常用的就是数据过采样和数据欠采样，利用合成少数群体过采样技术随机生成新的少数样本类别数据则是其中最为经典的策略；同时，利用生成对抗网络来生成少数样本类别的数据同样备受欢迎，它是一个使用极大极小博弈的生成模型框架，具有表示复杂和高维数据的能力，已被应用于各个领域，并产生了各种有监督的、无监督的变体。然而在常规的生成对抗网络中，故障模式等数据特性都没有明确的定义，样本生成过程完全依赖随机采样，结果不可控，同时只针对少数样本类别进行模型学习，很难得到可靠的、高质量样本。基于分类器的方法则包括调整分类器的阈值、代价敏感学习和单类分类等方法。例如，基于支持向量数据描述机器学习方法建立机械故障诊断的二叉树模型，然而二叉树的构造受到不同故障类别不平衡程度的限制。

综上所述，现有针对数据类别不平衡的轴承故障诊断方法，包括基于数据的方法和基于分类器的方法，都能在一定程度缓解样本不平衡所带来的负面影响，但是在实际应用中依然存在着：1)对样本数量要求高，难以适应极端不平衡条件下的诊断任务；2)样本生成随机性强，难以实现可靠的特定类别定向增强；3)模型学习过程中无法充分利用多数类别样本的信息；4)在样本生成中没有考虑除了故障类别标签以外的隐藏变量的信息完整性等问题。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于半监督对抗网络的轴承故障诊断方法，通过借助轴承正常运行状态下的振动信号样本来训练模型，以避免故障样本数量过少而引起的模型欠拟合问题。

为实现上述目的，本公开提供以下技术方案：

一种基于半监督对抗网络的轴承故障诊断方法，包括如下步骤：

S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号

S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：

S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号

S202：以振动信号x_f、x_h以及伪轴承振动信号

对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；

S203：待步骤S201和步骤S202的训练收敛后，以振动信号x_h、x_f和伪轴承振动信号

对诊断网络diag进行训练；

S300：将待测轴承振动信号

输入训练后的诊断网络diag进行故障诊断。

优选的，步骤S201中，通过将半监督故障独热编码

无监督辅助编码

和噪声编码

共三种多源信息编码合并以获得维度为k+m+n的最终编码c＝[z，c₁，c₂]对生成器g进行训练；

优选的，所述特征网络f训练后输出故障振动信号特征s＝f(x_f)或者f(x_h)或者

优选的，所述鉴别器d、辅助分类器ac和故障分类器fc训练后分别输出真实性判断结果

辅助编码预测

和故障编码预测

优选的，所述诊断网络diag训练后输出轴承故障类别预测

优选的，步骤S201中，所述伪轴承振动信号

且

其中，

表示实数域，上标1表示伪样本的序列长度。

优选的，步骤S202中，所述鉴别器d通过二值交叉熵损失函数鉴别样本的真实性，所述二值交叉熵损失函数表示为：

其中，r∈{0，1}表示真实性标签，决定输入样本是否来自真实样本，当输入样本为真实样本时r＝1，当输入样本为伪样本时，r＝0；

表示鉴别器输出的真实性判断结果。

优选的，步骤S202中，所述辅助分类器ac通过均方误差损失函数衡量辅助信息的损失，所述均方误差损失函数表示为：

其中，

表示从标准正态分布中随机采样得到的无监督辅助编码，即c₂～N(0，I)，代表信号相关的未知信息；

表示辅助分类器输出的辅助编码预测。

优选的，步骤S202中，所述故障分类器fc通过多分类交叉熵损失函数衡量故障分类性能，所述多分类交叉熵损失函数表示为：

其中，

表示由故障类型决定的独热故障编码，且

表示故障分类器输出的故障编码预测，k表示故障类别总数。

优选的，步骤S203中，所述诊断网络diag通过多分类交叉熵损失函数衡量对轴承进行故障诊断，所述多分类交叉熵损失函数表示为：

其中，y＝[y¹，y²，...y^k]表示轴承故障类别标签，且yⁱ∈{0，1}，∑yⁱ＝1，

表示诊断网络diag预测的故障类别。

与现有技术相比，本公开带来的有益效果为：

1、可以借助轴承正常运行状态下的振动信号样本来训练模型，避免了故障样本数量过小而引起的模型欠拟合问题，因此可以适应极端类别不平衡条件下的任务；

2、将目标故障类别嵌入到隐层编码中，通过对隐层编码的设定来引导生成样本的类别，实现可靠的特定类别定向增强；

3、模型学习过程中充分考虑到了未知辅助信息对样本生成的重要性，并施加互信息约束来保证生成前后辅助信息的一致性；

4、模型训练完毕后，只需要对诊断网络进行前向传播即可得到预测故障类别，无需保存训练样本、生成样本以及生成器参数等数据，对数据存储与计算要求低，是实现类别不平衡条件下轴承故障快速、精准诊断的有效手段。

附图说明

图1是本公开一个实施例提供的一种基于半监督对抗网络的轴承故障诊断方法流程图；

图2为本公开另一个实施例提供的生成器训练示意图；

图3为本公开另一个实施例提供的特征网络训练示意图；

图4为本公开另一个实施例提供的故障分类器、鉴别器以及辅助分类器训练示意图；

图5为本公开另一个实施例提供的诊断网络训练示意图；

图6为本公开另一个实施例提供的不同不平衡状态下取得的性能提升示意图。

具体实施方式

下面将参照附图图1至图6详细地描述本公开的具体实施例。虽然附图中显示了本公开的具体实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本公开的保护范围当视所附权利要求所界定者为准。

为便于对本公开实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本公开实施例的限定。

一个实施例中，如图1所示，一种基于半监督对抗网络的轴承故障诊断方法，包括如下步骤：

S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号

S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：

S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号

该步骤中，伪轴承振动信号

且

其中，

表示实数域，上标1表示伪样本的序列长度。

S202：以振动信号x_f、x_h以及伪轴承振动信号

对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；

S203：待步骤S201和步骤S202的训练收敛后，以振动信号x_h、x_f和伪轴承振动信号

对诊断网络diag进行训练；

该步骤中，步骤S201和步骤S202的训练收敛是指步骤S201和步骤S202中对应的损失函数下降趋势变缓，最终趋于稳定的状态，即波动幅度小于设定范围。

S300：将待测轴承振动信号

输入训练后的诊断网络diag进行故障诊断。

上述实施例构成了本公开的完整技术方案，本实施例可以借助轴承正常运行状态下的振动信号训练网络模型，避免了真实故障样本数量过少而引起的模型欠拟合问题，因此可以适应极端类别不平衡条件下的任务。

另一个实施例中，步骤S201中，如图2所示，通过将半监督故障独热编码

无监督辅助编码

和噪声编码

共三种多源信息编码合并以获得维度为k+m+n的最终编码c＝[z，c₁，c₂]对生成器g进行训练。

本实施例中，c₁是由故障类型决定的半监督故障独热编码，

其中

c₂是从标准正态分布中随机采样得到的无监督辅助编码，c₂～N(0，I)；Z是从高斯分布中随机采样得到的噪声编码，z～N(μ，∑)。

另一个实施例中，如图3所示，所述特征网络f训练后输出故障振动信号特征s＝f(x_f)或者f(x_h)或者

另一个实施例中，如图4所示，所述鉴别器d、辅助分类器ac和故障分类器fc训练后分别输出真实性判断结果

辅助编码预测

和故障编码预测

另一个实施例中，如图5所示，所述诊断网络diag训练后输出轴承故障类别预测

另一个实施例中，步骤S202中，所述鉴别器d通过二值交叉熵损失函数鉴别样本的真实性，所述二值交叉熵损失函数表示为：

其中，r∈{0，1}表示真实性标签，决定输入样本是否来自真实样本，当输入样本为真实样本时r＝1，当输入样本为伪样本时，r＝0；

表示鉴别器输出的真实性判断结果。

另一个实施例中，步骤S202中，所述辅助分类器ac通过均方误差损失函数衡量辅助信息的损失，所述均方误差损失函数表示为：

其中，

表示从标准正态分布中随机采样得到的无监督辅助编码，即c₂～N(0，I)，代表信号相关的未知信息；

表示辅助分类器输出的辅助编码预测。

另一个实施例中，步骤S202中，所述故障分类器fc通过多分类交叉熵损失函数衡量故障分类性能，所述多分类交叉熵损失函数表示为：

其中，

表示由故障类型决定的独热故障编码，且

表示故障分类器输出的故障编码预测，k表示故障类别总数。

另一个实施例中，步骤S203中，所述诊断网络diag通过多分类交叉熵损失函数衡量对轴承进行故障诊断，所述多分类交叉熵损失函数表示为：

其中，其中，y＝[y¹，y²，...y^k]表示轴承故障类别标签，且yⁱ∈{0，1}，∑yⁱ＝1，

表示诊断网络diag预测的故障类别。

为便于对本公开的技术方案的进一步理解，下面结合具体实施例对本公开所述方案作进一步说明。

在旋转机械故障模拟试验平台上进行了实验研究，试验平台由电机、传动部分、齿轮故障仿真系统、磁粉制动器、负载系统、轴承故障仿真系统、动不平衡仿真系统等组成。实验过程中模拟了轴承故障，同时将齿轮故障模拟器和动平衡模拟器设置为正常状态。对六种故障类型的轴承进行了测试，被试轴承参数表1所示：

表1

实验中，主轴转速设置为1200r/min，使用数据采集系统对振动信号进行监测和采集，每种故障类型采集2分钟的数据，采样率为96kHz。实验通过机械加工的方法预制保持架、滚动体、外圈上边缘、外圈中间、外圈下边缘、内圈等轴承元件上的各种故障类型来模拟真实故障轴承。连同健康状态的轴承，总共有7种类型的标签。其中，健康状态轴承数据属于多数类，样本数量为10000个，各类故障轴承属于少数类，样本数量随不平衡率的变化而变化，每个样本中包含784个数据点。

使用本公开所述的半监督生成对抗网络对上述7种类别不平衡率下的轴承故障进行样本增强并分类，得到如表2所示结果，其中，每一项精度都是经过10次模型训练得到的平均分类准确率。

表2

表2中，不平衡率定义为：

ρ＝max_i{|C_i|}/min_i{|C_i|}

其中，C_i表示故障模式i中的样本数量。

表2中，不同不平衡率下精度变化的趋势如图6所示，其中，□型折线与+型折线分别表示使用原始数据训练诊断网络得到的分类训练精度与分类测试精度。可以看出，使用诊断网络进行轴承故障分类的训练准确率不受不平衡程度变化的影响，可以保持在99％以上，这一结果表明了网络的容量对于该分类任务是足够大的。在不平衡程度较低的情况下，模型的分类测试准确率可以达到接近训练准确率的水平，表明在不平衡程度较低的情况下，该网络能够很好地完成分类任务。但随着不平衡度的增加，测试精度急剧下降，降至63％，表面当存在严重的类别不平衡时，模型很难直接有效地完成分类任务，需要进行额外的数据扩充。○型折线与☆型折线分别表示使用基于半监督生成对抗网络进行增强后的数据训练诊断网络得到的分类训练精度与分类测试精度。可以看出，利用该模型对训练数据进行扩充，可以显著提高类别不平衡情况下的分类准确率，当不平衡率增加到200时，分类准确率仍能达到96％以上，比原来的55.83％提高了40％以上。实验验证了本公开的有效性，表明通过将半监督生成对抗网络与深度卷积神经网络架构相结合，能够从包含少量故障数据的严重类别不平衡轴承故障数据集(不平衡率达到200)有效地学习并构建诊断模型，这解决了实际轴承故障数据难以获取而导致的类别不平衡状况的故障识别问题，显著提高了识别精度。

以上结合具体实施例描述了本公开的基本原理，但是，需要指出的是，在本公开中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本公开的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

Claims (10)

1.一种基于半监督对抗网络的轴承故障诊断方法，包括如下步骤：

S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号

S200：构建由生成器g、特征网络f、故障分类器fc、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：

S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号

S202：以振动信号x_f、x_h以及伪轴承振动信号

对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；

S203：待步骤S201和步骤S202的训练收敛后，以振动信号x_h、x_f和伪轴承振动信号

对诊断网络diag进行训练；

S300：将待测轴承振动信号

输入训练后的诊断网络diag进行故障诊断。

2.根据权利要求1所述的方法，其中，优选的，步骤S201中，通过将半监督故障独热编码

无监督辅助编码

和噪声编码

共三种多源信息编码合并以获得维度为k+m+n的最终编码c＝[z，c₁，c₂]对生成器g进行训练。

3.根据权利要求1所述的方法，其中，所述特征网络f训练后输出故障振动信号特征s＝f(x_f)或者f(x_h)或者

4.根据权利要求1所述的方法，其中，所述鉴别器e、辅助分类器ac和故障分类器fc训练后分别输出真实性判断结果

辅助编码预测

和故障编码预测

5.根据权利要求1所述的方法，其中，所述诊断网络diag训练后输出轴承故障类别预测

6.根据权利要求1所述的方法，其中，步骤S201中，所述伪轴承振动信号

且

其中，

表示实数域，上标l表示伪样本的序列长度。

7.根据权利要求1所述的方法，其中，步骤S202中，所述鉴别器d通过二值交叉熵损失函数鉴别样本的真实性，所述二值交叉熵损失函数表示为：

其中，r∈{0，1}表示真实性标签，决定输入样本是否来自真实样本，当输入样本为真实样本时r＝1，当输入样本为伪样本时，r＝0；

表示鉴别器输出的真实性判断结果。

8.根据权利要求1所述的方案，其中，步骤S202中，所述辅助分类器ac通过均方误差损失函数衡量辅助信息的损失，所述均方误差损失函数表示为：

其中，

表示从标准正态分布中随机采样得到的无监督辅助编码，即c₂～N(0，I)，代表信号相关的未知信息；

表示辅助分类器输出的辅助编码预测。

9.根据权利要求1所述的方法，其中，步骤S202中，所述故障分类器fc通过多分类交叉熵损失函数衡量故障分类性能，所述多分类交叉熵损失函数表示为：

其中，

表示由故障类型决定的独热故障编码，且

表示故障分类器输出的故障编码预测，k表示故障类别总数。

10.根据权利要求1所述的方法，其中，步骤S203中，所述诊断网络diag通过多分类交叉熵损失函数衡量对轴承进行故障诊断，所述多分类交叉熵损失函数表示为：

其中，y＝[y¹，y²，...y^k]表示轴承故障类别标签，且yⁱ∈{0，1}，∑yⁱ＝1，

表示诊断网络diag预测的故障类别。

Images