CN113869208A - 基于sa-acwgan-gp的滚动轴承故障诊断方法 - Google Patents
基于sa-acwgan-gp的滚动轴承故障诊断方法 Download PDFInfo
- Publication number
- CN113869208A CN113869208A CN202111143569.XA CN202111143569A CN113869208A CN 113869208 A CN113869208 A CN 113869208A CN 202111143569 A CN202111143569 A CN 202111143569A CN 113869208 A CN113869208 A CN 113869208A
- Authority
- CN
- China
- Prior art keywords
- data
- layer
- real
- model
- generator
- 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.)
- Granted
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 41
- 238000003745 diagnosis Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 230000008034 disappearance Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000005315 distribution function Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
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
- G01M13/04—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
- G06F18/24—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于SA‑ACWGAN‑GP的滚动轴承故障诊断方法，涉及故障诊断技术领域，该方法首先采集轴承一维时域振动数据，通过快速傅里叶变换转为二维频域特征灰度图，以卷积神经网络作为模型的网络结构避免梯度消失；其次构建合适层数的模型并初始化参数，将训练集输入模型进行训练直至达到迭代次数；最后将训练好的模型应用于滚动轴承故障诊断。该方法改进了原始ACGAN框架，引入Wasserstein距离和梯度惩罚，考虑到滚动轴承振动信号具有周期性和时序性的特点，本发明结合自注意力机制和ACWGAN‑GP来提升轴承故障特征提取与故障类别辨识的精度。
Description
技术领域
本发明涉及故障诊断技术领域，尤其是基于SA-ACWGAN-GP的滚动轴承故障诊断方法。
背景技术
滚动轴承作为重要的机械零件被广泛应用于各种类型的工业设备，具有摩擦阻力小、装配方便、高效率等优点。作为齿轮箱、涡轮等旋转机械的核心部件，滚动轴承的健康状况对机器的使用寿命和稳定性有着很大的影响。在实际生产运行过程中，高速旋转的机械设备工作环境恶劣，如润滑油污染或过载等原因，导致滚动轴承受到不同载荷的多重作用，容易产生各种形式的缺陷性故障，主要包括变形、磨损、腐蚀、裂纹等。结构设计问题，根据故障发生在轴承的不同部位，可以将滚动轴承故障分为内圈故障、外圈故障和滚动体故障三类，这些故障给工业生产带来巨大的经济损失，甚至可能造成人员安全事故。因此，研究一种有效的滚动轴承故障诊断方法十分必要。
传统滚动轴承故障诊断方法主要分为轴承数据特征的提取和分类，特征提取过程取决于领域内的专家知识和信号处理技术，如时域统计特征、短时傅里叶变换、小波包变换、经验模态分解等。特征分类步骤相当于将特征空间中获得的信息映射到故障空间中，常用的算法有反向传播神经网络、支持向量机、随机森林、k近邻等。上述都属于浅层机器学习方法，其学习能力与样本数据的准确性和完整性有关，当诊断精度达到一定的高度时，很难有再大的提高。随着深度学习技术的发展，深度卷积神经网络已逐渐应用于故障诊断领域，深度卷积神经网络是一种高效率的特征提取方法，能够逐层学习样本特征，该方法将提取的特征作为分类器的输入来实现分类。然而这种网络的缺点是只能使用人工提供的样本，不能从更深层次上理解样本的空间分布和内部结构，影响了最终的分类效果。
在实际问题中，传统故障诊断方法和基于判别式的深度学习故障诊断方法依赖人工特征提取，需要丰富的专家经验，导致最终诊断效果不佳，无法实现多分类场景下对原始数据分布特征的有效学习。
发明内容
本发明人针对上述问题及技术需求，提出了基于SA-ACWGAN-GP的滚动轴承故障诊断方法，本发明的技术方案如下：
基于SA-ACWGAN-GP的滚动轴承故障诊断方法，包括如下步骤：
第一步：通过振动信号采集设备获取滚动轴承不同状态下的振动信号，振动信号为具有周期性和时序性的一维时域振动数据，状态包括正常状态、内圈故障、外圈故障和滚动元件故障，组成四个类别标签c；
第二步：对振动信号进行快速傅里叶变换，如式(1)所示，将振动信号从时域变换到频域，归一化处理后转换为二维灰度数据作为数据集，并将数据集划分成预定比例的训练集和测试集；
其中，x(t)为一维时域振动数据，X(ω)为频域振动数据；
第三步：构建SA-ACWGAN-GP模型；
SA-ACWGAN-GP模型包括生成器和判别器，生成器和判别器主要以卷积神经网络作为主体结构；
生成器结构中，输入为服从均值为-1、方差为1高斯分布的100维高斯噪声Noise，经过全连接映射层Dense和二维转换层Reshape转换为图片数据，再经过一层自注意力机制层SE后，依次经过四层卷积网络之后输出大小为64×64×1的灰度图数据作为生成数据；其中，每层卷积网络均包括上采样层Ups和单步卷积层Conv，单步卷积层Conv的卷积核大小为3×3，每层单步卷积层Conv的通道数依次为128、64、32和1；前三层单步卷积层Conv采用ReLU作为激活函数，用于帮助生成器实现非线性表示，并在完成卷积后进行批量归一化BN处理；第四层单步卷积层Conv输出使用sigmoid作为激活函数，用于将生成器的输出限制在[0,1]范围内，符合轴承数据的实际情况；
判别器结构中，输入为生成数据和训练集中的真实数据的混合样本集，判别器包括依次相连的三层卷积网络、一层自注意力机制层SE和二层全连接层Flatten，每层卷积网络均包括卷积层Conv，卷积核大小为5×5，步长为2，每层卷积层Conv的通道数依次为64、128和256，每层卷积层Conv采用LeakyReLU作为激活函数，以防出现梯度消失的问题；每次卷积结束后进行dropout处理、增加泛化能力；最后一层输出为混合样本集的真假判断及该样本属于某个类别的概率；
第四步：将训练集输入SA-ACWGAN-GP模型中进行训练；
生成器有两个输入，分别是类别标签c以及随机噪声z，输出生成数据；对于判别器，不仅要判别数据来源是否为真实数据，而且需要判断数据的类别；原始ACGAN的代价函数包含两个部分，如式(2)、式(3)所示，第一部分Ls为数据真实与否的代价函数，第二部分Lc为记录数据分类正确的代价函数；在原始ACGAN框架基础上，使用Wasserstein距离计算生成数据和真实数据的差别，计算公式如式(4)所示，替换式(2)中原有的计算二进制交叉熵函数部分，将模型的网络参数限制在固定范围内从而满足Lipschitz条件，改善了训练不稳定和模式崩溃的问题，确保生成数据的多样性；其中Lipschitz条件为：规定在一个连续函数f(x)上，存在一个大于零的常数K，使得定义域内任意两个元素x1、x2满足式(5)；
Ls＝E[log P(S＝real|Xreal)]+E[log P(S＝fake|Xfake)] (2)
Lc＝E[log P(C＝c|Xreal)]+E[log P(C＝c|Xfake)] (3)
|f(x1)-f(x2)|≤K|x1-x2| (5)
其中，P(S＝real|Xreal)表示真实数据的概率分布，简化为Preal，P(S＝fake|Xfake)表示生成数据的概率分布，简化为Pfake，P(C＝c|Xreal)表示真实类别标签的概率分布，P(C＝c|Xfake)表示虚假类别标签的概率分布，E[·]表示数学期望，F(x)表示真实数据或生成数据的分布函数；
由于将模型的网络参数限制在固定范围，会导致很多梯度都分布在边界线，因此出现梯度消失问题。如式(6)所示，选用梯度惩罚来替换网络参数限制在固定范围，以此实现Lipschitz条件，避免参数范围设置不当导致梯度消失；
u＝εxreal+(1-ε)xfake (7)
其中，Lgp为梯度惩罚的代价函数，λ为惩罚系数，u是对混合样本集的数据进行线性插值计算而来，如式(7)所示，ε～U[0,1]，U表示均匀分布，Pu是真实数据和生成数据之间的概率分布，
表示对u求导，D(u)是u经过判别器后的输出，||·||为2范数；
SA-ACWGAN-GP模型的代价函数是在原始ACGAN的代价函数上添加梯度惩罚的代价函数，则改进后的代价函数如式(8)、式(9)所示：
Ls_new＝Ls+Lgp (8)
Lc_new＝Lc+Lgp (9)
要求判别器能够判断生成数据和真实数据，并准确的对数据来源进行分类，因此判别器被训练的最大值为(Ls_new+Lc_new)，同时希望生成器生成的数据被判别器识别为真实数据且正确分类，因此生成器被训练的最大值为(Lc_new-Ls_new)；
使用Adam优化器更新网络参数，迭代过程具体为：
mt＝β1·mt-1+(1-β1)·gt (10)
其中，mt和nt为目标函数梯度gt的一阶矩阵和二阶矩阵，下标t表示当前时刻，下标t-1表示前一时刻；β1和β2表示矩阵计指数衰减速率；
和
是对mt和nt的校正；θ表示模型参数，
表示对学习率形成一个动态约束，η表示步长，ε＝10-8；
第五步：将第四步训练好的SA-ACWGAN-GP模型，利用测试集进行测试，得到滚动轴承故障诊断准确率指标，最终实现滚动轴承的故障诊断。
其进一步的技术方案为，SA-ACWGAN-GP模型的具体训练步骤包括：
1)在高斯分布中随机采样生成随机噪声z，并将随机噪声z和类别标签c输入至生成器，得到生成数据G(z)；
2)将生成数据G(z)与训练集中的真实数据混合在一起，传送至判别器中，判别器使用混合数据进行训练，基于判别器的代价函数计算判别器网络损失值；
3)训练完一次判别器后，对判别器和生成器形成的组合结构开始训练，在这一阶段，保持判别器网络参数不变，同样基于代价函数计算生成器网络损失值，更新网络参数；在每一次更新生成器网络参数之前，先执行判别器网络参数的更新以提高训练速度；在训练完组合结构后，即一次循环结束；
4)重复执行1)～3)步操作，直至整个模型的损失值达到纳什均衡，使判别器区分不同类别的滚动轴承振动数据，达到故障诊断的目的。
本发明的有益技术效果是：
本申请提出的基于SA-ACWGAN-GP的滚动轴承故障诊断方法，利用生成式模型强大的深层特征学习能力，更好的学习到数据的潜在分布规律，适合处理轴承时间序列数据，具有良好的轴承故障诊断效果；
以Wasserstein距离来衡量不同分布之间的差异，选用卷积神经网络作为模型主体结构，改善了模型训练过程不稳定的问题，选用梯度惩罚来替换网络参数限制在固定范围，以此实现Lipschitz条件，避免了梯度消失和模式崩溃的发生。同时利用数据的标签信息进行模型训练，添加辅助输出层，不仅能判断给定输入样本的真实性，还能实现样本故障类型的诊断；
本申请针对轴承故障诊断问题还引入一种参数轻量级压缩与激励自注意力机制网络，加强特征图中远距离特征的相关性，对不同特征图位置上的信息进行动态加权融合，解决在卷积过程中特征图不同通道的重要性带来的损失问题。该机制还通过改变缩放参数减少通道个数从而降低计算量，能够提高模型训练速度，减少参数计算。
本申请能够有效地对滚动轴承振动信号进行自动特征提取与故障分类，构建的深度网络能自动学习到低层特征，并逐步形成更加抽象的高层表示，最后直接输出滚动轴承故障类别，在一定程度上实现了端到端的滚动轴承故障诊断。
附图说明
图1是本申请提供的滚动轴承故障诊断流程图。
图2是本申请提供的辅助分类生成对抗网络结构图。
图3是本申请提供的自注意力机制结构图。
图4是本申请提供的轴承内圈故障的某一样本信号图。
图5是本申请提供的轴承外圈故障的某一样本信号图。
图6是本申请提供的轴承滚动体故障的某一样本信号图。
图7是本申请提供的轴承正常状态的某一样本信号图。
图8是本申请提供的生成器和判别器的网络结构图。
图9是本申请提供的真实数据和生成数据的相似性对比图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请提供了一种基于SA-ACWGAN-GP(Self Attention Mechanism-AuxiliaryClassifier Wasserstein GAN-Gradient Penalty)的滚动轴承故障诊断方法，流程如图1所示，该方法的具体实施过程包括以下步骤：
结合图2所示，辅助分类生成对抗网络主要由生成器G和判别器D组成，判别器D意图区分数据来源是否为真实数据，而且需要判断数据的类别，生成器G则尽力产生可以欺骗判别器D的假样本。模型训练完成后，将未知状态的滚动轴承振动信号输入判别器D即可输出轴承故障类别。
如图3所示，本申请在生成器G和判别器D的网络结构中引入了一种参数轻量级压缩与激励自注意力机制网络SE，简称为自注意力机制层SE。通过对特征通道间的相关性进行建模，增强重要通道的特征，弱化非重要通道的特征，对全局信息进行关联，也即对不同特征图位置上的信息进行动态加权融合，解决在卷积过程中特征图不同通道的重要性带来的损失问题，在网络中SE被设计用于增强网络模块的表达能力。该机制在激励部分先缩放参数C后又还原，通过减少通道个数从而降低计算量，能够提高模型训练速度，减少参数计算。
本申请的数据集由600rpm、800rpm和1000rpm三个不同转速的滚动轴承振动数据组成，轴承数据采集频率为50kHz，该数据集有一种健康状态和三种故障状态，包括正常状态n、内圈故障ib、外圈故障ob和滚动元件故障tb，在不同的工作条件下共计12种状态。根据滚动轴承转速和信号采集频率，可以得到轴承旋转一圈采集到的信号点约为5000个，为方便后续转换为二维灰度图数据，故我们确定每个样本包含4096个采样点。例如，转速为600rpm工作条件下的内圈故障数据，以4096个采样点作为一个样本，按照重叠采样的方式采集1100个样本，并按照10:1的比例划分成训练集和测试集。滚动轴承数据共有12种状态，故最终训练集有1000*12个样本，测试集有100*12个样本。此外，轴承内圈故障ib、滚动元件故障tb、外圈故障ob和正常状态n的某一样本信号图分别如图4、5、6、7所示。
为了强化网络提取特征的能力，本申请在原始ACGAN基础上进行了改进，使用卷积神经网络结构替代部分全连接层，构建合适层数的SA-ACWGAN-GP模型并初始化参数，生成器和判别器的具体网络结构如图8所示。
将训练集输入SA-ACWGAN-GP模型中进行训练，训练过程中每个批次使用64个样本，优化算法选择Adam算法，判别器D的学习率设置为0.0002，生成器G的学习率设置为0.0004，动量参数设置为0.5，迭代次数设置为5000次。
训练完成后，用测试集验证模型的诊断效果。此外为了比较本发明与目前主流智能故障诊断算法的优劣，选择了具有代表性的支持向量机(SVM)、反向传播神经网络(BPNN)、一维卷积神经网络(1DCNN)、二维卷积神经网络(LeNet5)、稀疏自动编码器(SAE)和原始ACGAN算法，对每一种方法都用相同的训练集进行训练，用相同的测试集进行测试。测试结果评估指标分别为多次实验平均准确率和标准差，测试结果如表1所示。
表1不同算法诊断结果评估指标
可以看出无论是基于浅层机器学习方法的BPNN和SVM还是基于深度学习的CNN等算法，在识别率上较采用生成式模型结构的其他三种算法都有明显差距。BPNN虽然取得了较高的识别率，但其隐层数目和神经元个数都较多，导致模型需要训练的参数急剧增多，增加了模型的训练时间，并且提取的特征并不具有很好的稳定性。由于本申请采用了自注意力机制模块SE以及对模型进行了改进，可以直接通过计算轴承数据灰度图中任意两点之间的关系，获取特征图的全局几何特征，所以故障诊断率高于标准生成式算法。对比SAE和ACGAN的故障诊断模型不难看出，基于SA-ACWGAN-GP的模型具有更高的识别率，且稳定性也更好。
另外，本申请提出的模型不仅可以对滚动轴承数据进行故障诊断，还能根据不同的输入标签生成不同类型的轴承数据。为了比较生成数据和真实数据之间的相似性，通过计算余弦相似度CS和弗雷切特起始距离FID来定量测量数据的相似性。通常，FID越小意味着数据间存在显著的相关性。类似地，CS通过计算两个样本向量之间角度的余弦值来评估数据分布的相似性，值越高，表示相似度越高。FID和CS的值都在0到1的范围内。随机多次生成12类轴承数据，与真实数据对比平均结果如图9所记录，总体生成数据与原始数据具有高度相似的分布。基于以上分析，SA-ACWGAN-GP模型可以生成与原始真实样本具有高度相似性的新样本。
综上所述，本申请提供的SA-ACWGAN-GP模型，以Wasserstein距离来衡量不同分布之间的差异，选用卷积神经网络作为模型主体结构，改善了模型训练过程不稳定的问题，选用梯度惩罚GP来替换网络参数限制在固定范围，以此实现Lipschitz条件，避免了梯度消失和模式崩溃的发生。同时利用数据的标签信息进行模型训练，添加辅助输出层，不仅能够生成高质量数据，还能有效判断给定输入样本的真实性、提高滚动轴承故障诊断的准确率。
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。
Claims (2)
1.基于SA-ACWGAN-GP的滚动轴承故障诊断方法，其特征在于，所述滚动轴承故障诊断方法包括：
第一步：通过振动信号采集设备获取滚动轴承不同状态下的振动信号，所述振动信号为具有周期性和时序性的一维时域振动数据，所述状态包括正常状态、内圈故障、外圈故障和滚动元件故障，组成四个类别标签c；
第二步：对所述振动信号进行快速傅里叶变换，如式(1)所示，将所述振动信号从时域变换到频域，归一化处理后转换为二维灰度数据作为数据集，并将所述数据集划分成预定比例的训练集和测试集；
其中，x(t)为所述一维时域振动数据，X(ω)为频域振动数据；
第三步：构建SA-ACWGAN-GP模型；
所述SA-ACWGAN-GP模型包括生成器和判别器，所述生成器和判别器主要以卷积神经网络作为主体结构；
在生成器结构中，输入为服从均值为-1、方差为1高斯分布的100维高斯噪声Noise，经过全连接映射层Dense和二维转换层Reshape转换为图片数据，再经过一层自注意力机制层SE后，依次经过四层卷积网络之后输出大小为64×64×1的灰度图数据作为生成数据；其中，每层卷积网络均包括上采样层Ups和单步卷积层Conv，所述单步卷积层Conv的卷积核大小为3×3，每层所述单步卷积层Conv的通道数依次为128、64、32和1；前三层所述单步卷积层Conv采用ReLU作为激活函数，用于帮助所述生成器实现非线性表示，并在完成卷积后进行批量归一化BN处理；第四层所述单步卷积层Conv输出使用sigmoid作为激活函数，用于将所述生成器的输出限制在[0,1]范围内，符合轴承数据的实际情况；
在判别器结构中，输入为所述生成数据和训练集中的真实数据的混合样本集，所述判别器包括依次相连的三层卷积网络、一层自注意力机制层SE和二层全连接层Flatten，每层卷积网络均包括卷积层Conv，卷积核大小为5×5，步长为2，每层所述卷积层Conv的通道数依次为64、128和256，每层所述卷积层Conv采用LeakyReLU作为激活函数，以防出现梯度消失的问题；每次卷积结束后进行dropout处理、增加泛化能力；最后一层输出为所述混合样本集的真假判断及该样本属于某个类别的概率；
第四步：将所述训练集输入所述SA-ACWGAN-GP模型中进行训练；
所述生成器有两个输入，分别是类别标签c以及随机噪声z，输出所述生成数据；对于所述判别器，不仅要判别数据来源是否为真实数据，而且需要判断数据的类别；原始ACGAN的代价函数包含两个部分，如式(2)、式(3)所示，第一部分Ls为数据真实与否的代价函数，第二部分Lc为记录数据分类正确的代价函数；在原始ACGAN框架基础上，使用Wasserstein距离计算所述生成数据和真实数据的差别，计算公式如式(4)所示，替换式(2)中原有的计算二进制交叉熵函数部分，将模型的网络参数限制在固定范围内从而满足Lipschitz条件，改善了训练不稳定和模式崩溃的问题，确保所述生成数据的多样性；其中所述Lipschitz条件为：规定在一个连续函数f(x)上，存在一个大于零的常数K，使得定义域内任意两个元素x1、x2满足式(5)；
Ls＝E[logP(S＝real|Xreal)]+E[logP(S＝fake|Xfake)] (2)
Lc＝E[logP(C＝c|Xreal)]+E[logP(C＝c|Xfake)] (3)
|f(x1)-f(x2)|≤K|x1-x2| (5)
其中，P(S＝real|Xreal)表示所述真实数据的概率分布，简化为Preal，P(S＝fake|Xfake)表示所述生成数据的概率分布，简化为Pfake，P(C＝c|Xreal)表示真实类别标签的概率分布，P(C＝c|Xfake)表示虚假类别标签的概率分布，E[·]表示数学期望，F(x)表示真实数据或生成数据的分布函数；
如式(6)所示，选用梯度惩罚来替换网络参数限制在固定范围，以此实现所述Lipschitz条件，避免参数范围设置不当导致梯度消失；
u＝εxreal+(1-ε)xfake (7)
其中，Lgp为梯度惩罚的代价函数，λ为惩罚系数，u是对所述混合样本集的数据进行线性插值计算而来，如式(7)所示，ε～U[0,1]，U表示均匀分布，Pu是所述真实数据和生成数据之间的概率分布，
表示对u求导，D(u)是u经过判别器后的输出，||·||为2范数；
所述SA-ACWGAN-GP模型的代价函数是在所述原始ACGAN的代价函数上添加所述梯度惩罚的代价函数，则改进后的代价函数如式(8)、式(9)所示：
Ls_new＝Ls+Lgp (8)
Lc_new＝Lc+Lgp (9)
要求所述判别器能够判断所述生成数据和真实数据，并准确的对数据来源进行分类，因此所述判别器被训练的最大值为(Ls_new+Lc_new)，同时希望所述生成器生成的数据被所述判别器识别为真实数据且正确分类，因此所述生成器被训练的最大值为(Lc_new-Ls_new)；
使用Adam优化器更新所述网络参数，迭代过程具体为：
mt＝β1·mt-1+(1-β1)·gt (10)
其中，mt和nt为目标函数梯度gt的一阶矩阵和二阶矩阵，下标t表示当前时刻，下标t-1表示前一时刻；β1和β2表示矩阵计指数衰减速率；
和
是对mt和nt的校正；θ表示模型参数，
表示对学习率形成一个动态约束，η表示步长，ε＝10-8；
第五步：将第四步训练好的所述SA-ACWGAN-GP模型，利用所述测试集进行测试，得到滚动轴承故障诊断准确率指标，最终实现滚动轴承的故障诊断。
2.根据权利要求1所述的滚动轴承故障诊断方法，其特征在于，所述SA-ACWGAN-GP模型的具体训练步骤包括：
1)在高斯分布中随机采样生成所述随机噪声z，并将所述随机噪声z和类别标签c输入至所述生成器，得到生成数据G(z)；
2)将所述生成数据G(z)与所述训练集中的真实数据混合在一起，传送至所述判别器中，所述判别器使用混合数据进行训练，基于所述判别器的代价函数计算判别器网络损失值；
3)训练完一次所述判别器后，对所述判别器和生成器形成的组合结构开始训练，在这一阶段，保持判别器网络参数不变，同样基于代价函数计算生成器网络损失值，更新网络参数；在每一次更新生成器网络参数之前，先执行判别器网络参数的更新以提高训练速度；在训练完所述组合结构后，即一次循环结束；
4)重复执行1)～3)步操作，直至整个模型的损失值达到纳什均衡，使所述判别器区分不同类别的滚动轴承振动数据，达到故障诊断的目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111143569.XA CN113869208B (zh) | 2021-09-28 | 基于sa-acwgan-gp的滚动轴承故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111143569.XA CN113869208B (zh) | 2021-09-28 | 基于sa-acwgan-gp的滚动轴承故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113869208A true CN113869208A (zh) | 2021-12-31 |
| CN113869208B CN113869208B (zh) | 2024-06-07 |
Family
ID=
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384154A (zh) * | 2022-03-25 | 2022-04-22 | 中南大学 | 基于时域统计特征的凿岩钎头故障在线诊断方法和系统 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
| CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
| CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
| CN116484258A (zh) * | 2023-04-26 | 2023-07-25 | 成都市特种设备检验检测研究院(成都市特种设备应急处置中心) | 电梯曳引机轴承故障诊断方法 |
| CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
| CN117743947A (zh) * | 2024-02-20 | 2024-03-22 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
Citations (4)
| 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 |
| WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
| US20210049452A1 (en) * | 2019-08-15 | 2021-02-18 | Intuit Inc. | Convolutional recurrent generative adversarial network for anomaly detection |
| CN113157771A (zh) * | 2021-04-27 | 2021-07-23 | 广东海聊科技有限公司 | 一种数据异常检测方法及电网数据异常检测方法 |
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020172838A1 (zh) * | 2019-02-26 | 2020-09-03 | 长沙理工大学 | 一种改进辅助分类器gan的图像分类方法 |
| US20210049452A1 (en) * | 2019-08-15 | 2021-02-18 | Intuit Inc. | Convolutional recurrent generative adversarial network for anomaly detection |
| 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 |
| CN113157771A (zh) * | 2021-04-27 | 2021-07-23 | 广东海聊科技有限公司 | 一种数据异常检测方法及电网数据异常检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 包萍;刘运节;: "不均衡数据集下基于生成对抗网络的改进深度模型故障识别研究", 电子测量与仪器学报, no. 03, 15 March 2019 (2019-03-15) * |
| 尹诗;侯国莲;胡晓东;周继威;弓林娟;: "风力发电机组发电机前轴承故障预警及辨识", 仪器仪表学报, no. 05, 31 December 2020 (2020-12-31) * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114384154A (zh) * | 2022-03-25 | 2022-04-22 | 中南大学 | 基于时域统计特征的凿岩钎头故障在线诊断方法和系统 |
| CN114384154B (zh) * | 2022-03-25 | 2022-06-17 | 中南大学 | 基于时域统计特征的凿岩钎头故障在线诊断方法和系统 |
| CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及系统 |
| CN114913396A (zh) * | 2022-07-15 | 2022-08-16 | 西北工业大学 | 一种电机轴承故障诊断方法 |
| CN116484258A (zh) * | 2023-04-26 | 2023-07-25 | 成都市特种设备检验检测研究院(成都市特种设备应急处置中心) | 电梯曳引机轴承故障诊断方法 |
| CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
| CN116429406A (zh) * | 2023-06-14 | 2023-07-14 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
| CN116429406B (zh) * | 2023-06-14 | 2023-09-26 | 山东能源数智云科技有限公司 | 大型机械设备故障诊断模型的构建方法及装置 |
| CN117743947A (zh) * | 2024-02-20 | 2024-03-22 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
| CN117743947B (zh) * | 2024-02-20 | 2024-04-30 | 烟台哈尔滨工程大学研究院 | 一种小样本下的智能机舱故障诊断方法及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | Wasserstein Generative Adversarial Network and Convolutional Neural Network (WG‐CNN) for Bearing Fault Diagnosis | |
| CN109063724B (zh) | 一种增强型生成式对抗网络以及目标样本识别方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| Zhang et al. | A multi-module generative adversarial network augmented with adaptive decoupling strategy for intelligent fault diagnosis of machines with small sample | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
| CN110851654A (zh) | 基于张量化数据降维的工业设备故障检测分类方法 | |
| CN114491823B (zh) | 一种基于改进生成对抗网络的列车轴承故障诊断方法 | |
| CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
| CN113076996A (zh) | 一种改进粒子群极限学习机的辐射源信号识别方法 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN114118138A (zh) | 一种基于多标签领域自适应模型的轴承复合故障诊断方法 | |
| CN114544172A (zh) | 基于深度置信网络的旋转机械故障诊断方法、系统及介质 | |
| Xu et al. | An optimal method based on HOG-SVM for fault detection | |
| CN114971675A (zh) | 一种基于DeepFM模型的二手车价格评估方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN117592543A (zh) | 一种基于自监督学习的航空发动机滚动轴承故障诊断方法 | |
| CN112163474A (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
| CN115100451B (zh) | 一种用于液压泵漏油监控的数据扩充方法 | |
| CN113869208B (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
| CN116754230A (zh) | 基于深度卷积生成对抗网络的轴承异常检测和故障诊断方法 | |
| CN113869208A (zh) | 基于sa-acwgan-gp的滚动轴承故障诊断方法 | |
| Hou et al. | A vehicle alarm network for high-temperature fault diagnosis of electric vehicles | |
| CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 | |
| CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240506 Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region after: China Address before: No. 1800 road 214122 Jiangsu Lihu Binhu District City of Wuxi Province Applicant before: Jiangnan University Country or region before: China |
|
| TA01 | Transfer of patent application right |
Effective date of registration: 20240507 Address after: E35, 5th Floor, Zone C, University Entrepreneurship Park, No. 99 Daxue Road, Xuzhou High tech Industrial Development Zone, Tongshan District, Xuzhou City, Jiangsu Province, 221000 Applicant after: Xuzhou Zhuoyue Sound Vibration Measurement and Control Technology Co.,Ltd. Country or region after: China Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant |