CN114491823A - 一种基于改进生成对抗网络的列车轴承故障诊断方法 - Google Patents

一种基于改进生成对抗网络的列车轴承故障诊断方法 Download PDF

Info

Publication number
CN114491823A
CN114491823A CN202210308771.1A CN202210308771A CN114491823A CN 114491823 A CN114491823 A CN 114491823A CN 202210308771 A CN202210308771 A CN 202210308771A CN 114491823 A CN114491823 A CN 114491823A
Authority
CN
China
Prior art keywords
samples
countermeasure network
model
training
generated
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
Application number
CN202210308771.1A
Other languages
English (en)
Other versions
CN114491823B (zh
Inventor
张锐奇
郭亮
高宏力
于耀翔
李世超
由智超
吴向东
潘江
刘子豪
马贵林
伍广
王钦超
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 CN202210308771.1A priority Critical patent/CN114491823B/zh
Publication of CN114491823A publication Critical patent/CN114491823A/zh
Application granted granted Critical
Publication of CN114491823B publication Critical patent/CN114491823B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Image Analysis (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于改进生成对抗网络的列车轴承故障诊断方法，包括以下步骤：步骤一，制作真实数据集；步骤二，构建生成对抗网络；步骤三，训练生成对抗网络；步骤四，制作平衡数据集；步骤五，搭建故障分类器；步骤六，训练故障分类器；本发明通过基于判别模型和生成模型的GAN训练方法搭建小样本数据类别的生成对抗网络，并采用真实数据集对其进行训练，可以提高故障的诊断识别率；通过深度卷积神经网络对样本进行特征提取，实现不同故障的特征学习；通过皮尔逊相关系数测量生成样本与真实样本平均值之间的损失函数来提高生成的质量，所生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。

Description

一种基于改进生成对抗网络的列车轴承故障诊断方法
技术领域
本发明涉及机械设备故障诊断技术领域，具体为一种基于改进生成对抗网络的列车轴承故障诊断方法。
背景技术
目前，许多基于特征的列车轴承故障诊断方法被广泛应用于现代工业中；传统的故障诊断方法中，所有特征都是人工提取的，不可避免地依赖于专家知识，并带来一定程度的随机性；近年来，随着人工智能算法的发展，深度学习由于具有较强的直接从信号中提取有用信息的能力，在各种研究中得到了发展；
尽管智能故障诊断已经取得了很大的进展，但其成功往往依赖于平衡数据集，然而这是很难满足的；一方面，列车轴承大部分时间运行在正常状态，导致数据集不平衡的问题；另一方面，由于实际列车运行过程中工况条件复杂，采集高质量的故障数据成本高、难度大，这些都给数据驱动算法在实际行业中的应用带来了巨大的障碍；
数据集的分类不平衡是列车轴承故障诊断的主要挑战之一，在这种情况下，许多诊断方法将更多的注意力放在了多数类样本上，导致了误分类；由于无法正确识别列车轴承中的少数类故障，这个结果是没有意义的，甚至是有害的；因此，在故障诊断中有必要寻找一种有效的方法来解决这一问题；
从数据的角度来看，对少数群体进行过采样是有效的；SMOTE、ADASYN、SMOM等过采样算法已经取得了一些进展，但这些方法严重依赖于数据的特征，而没有考虑少数群体样本的真实分布特征，导致了样本生成的盲目性；
数据不平衡是工业机械故障诊断中常见的难题，生成式对抗网络(GANs)为少数群体的数据扩充提供了一个潜在的解决方案，但生成的样本数据质量不稳定，可能不适合故障诊断任务；
中国专利CN201811082332.3公开了一种基于GAN的风机轮毂测风缺失数据的插补方法，应用生成对抗网络于针对于风机的故障诊断领域，将训练样本输入到生成模型及判别模型中进行迭代训练至达到纳什平衡，通过训练好的模型完成数据的补充工作，但此方法仅利用生成对抗网络来生成虚拟数据并将其添加到数据集中，只考虑到真实数据与生成数据之间的相关性，并没有考虑到故障的分类问题，同时也没有设计与之相匹配的故障诊断模型。
发明内容
本发明的目的在于提供一种基于改进生成对抗网络的列车轴承故障诊断方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于改进生成对抗网络的列车轴承故障诊断方法，包括以下步骤：步骤一，制作真实数据集；步骤二，构建生成对抗网络；步骤三，训练生成对抗网络；步骤四，制作平衡数据集；步骤五，搭建故障分类器；步骤六，训练故障分类器；
其中在上述步骤一中，通过快速傅里叶变换将时域样本转化为频域样本，制作同时包含时域信息和频域信息的真实数据集；
其中在上述步骤二中，通过基于多个判别模型、多个生成模型以及多个分类模型的GAN训练方法搭建针对少数类样本的生成对抗网络；
其中在上述步骤三中，使用步骤一中制作的样本训练步骤二中搭建的生成对抗网络，并采用Adam方法进行优化，且每一批次的训练尺寸均为64个样本，直至达到纳什平衡，以生成符合少数类样本特征的数据集；
其中在上述步骤四中，将步骤三中得到的生成数据集和步骤一制作的真实数据集混合形成平衡数据集；
其中在上述步骤五中，搭建结构与生成对抗网络中分类模型相同的故障分类器；
其中在上述步骤六中，将步骤四中得到的平衡数据集作为训练集输入步骤五中搭建的故障分类器，逐层学习故障特征，通过分类器完成不同故障类别的诊断识别。
优选的，所述步骤二中，生成对抗网络的结构包括N个判别模型、N个生成模型以及N个分类模型，其中，N表示少数类的个数。
优选的，所述步骤二中，用于输入生成对抗网络以生成少数类的样本为多数类样本。
优选的，所述判别模型由5层卷积层组成，生成模型由5层反卷积层组成，分类模型由5层卷积层和3层全连接层组成，且每层卷积层或反卷积层后都设有1层池化层和1层批归一化层。
优选的，所述生成对抗网络的结构中，分类模型输出层使用SoftMax激活函数，判别模型和生成模型输出层皆使用线性激活函数，其余使用ReLU激活函数，以此来解决梯度消失的情况，并加快收敛速度。
优选的，所述步骤二中，GAN训练方法具体为：
Figure 630183DEST_PATH_IMAGE001
Figure 334834DEST_PATH_IMAGE002
Figure 250575DEST_PATH_IMAGE003
其中，
Figure 484110DEST_PATH_IMAGE004
、
Figure 783505DEST_PATH_IMAGE005
和
Figure 901634DEST_PATH_IMAGE006
分别表示第
Figure 32401DEST_PATH_IMAGE007
个生成模型、判别模型和分类模型中的参数；
Figure 282510DEST_PATH_IMAGE008
、
Figure 803621DEST_PATH_IMAGE009
、
Figure 318916DEST_PATH_IMAGE010
和
Figure 507452DEST_PATH_IMAGE011
分别表示针对于第
Figure 659953DEST_PATH_IMAGE007
类少数类样本的生成损失、分类损失、Pearson相似损失和判别损失
Figure 996257DEST_PATH_IMAGE012
表示模型训练过程中所设置的学习率。
优选的，所述生成损失通过生成样本与同标签少数类样本之间的均方根误差计算；分类损失通过生成样本与多数类样本之间的分类误差计算；Pearson相似损失通过生成样本与同标签样本以及不同标签样本间的Pearson相关系数计算；判别损失通过生成样本与同标签的少数类样本在对应的分类模型中的分类误差计算。
与现有技术相比，本发明的有益效果是：本发明通过基于判别模型和生成模型的GAN训练方法搭建小样本数据类别的生成对抗网络，并采用真实数据集对其进行训练，可以提高故障的诊断识别率；通过深度卷积神经网络对样本进行特征提取，实现不同故障的特征学习；通过皮尔逊相关系数测量生成样本与真实样本平均值之间的损失函数来提高生成的质量，所生成的数据更贴近真实数据，使得模型能提取到有效的多尺度深层特征。
附图说明
图1为本发明生成对抗网络的结构示意图；
图2为本发明生成模型的结构示意图；
图3为本发明判别模型的结构示意图；
图4为本发明分类模型的结构示意图；
图5为本发明生成对抗网络损失值的示意图；
图6为本发明原始与生成数据频谱对比图；
图7为本发明原始与生成数据频谱概率分布对比图；
图8是比例为1:50时识别效果随类别不平衡比变化的示意图；
图9是比例为1:20时识别效果随类别不平衡比变化的示意图；
图10是比例为1:4时识别效果随类别不平衡比变化的示意图；
图11是比例为1:1时识别效果随类别不平衡比变化的示意图；
图12为本发明的方法流程图；
图13为本发明的步骤图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-13，本发明提供的一种实施例：一种基于改进生成对抗网络的列车轴承故障诊断方法，包括以下步骤：步骤一，制作真实数据集；步骤二，构建生成对抗网络；步骤三，训练生成对抗网络；步骤四，制作平衡数据集；步骤五，搭建故障分类器；步骤六，训练故障分类器；
其中在上述步骤一中，通过快速傅里叶变换将时域样本转化为频域样本，制作同时包含时域信息和频域信息的真实数据集；
其中在上述步骤二中，通过基于多个判别模型、多个生成模型以及多个分类模型的GAN训练方法搭建针对少数类样本的生成对抗网络；其中，生成对抗网络的结构包括N个判别模型、N个生成模型以及N个分类模型，其中，N表示少数类的个数；用于输入生成对抗网络以生成少数类的样本为多数类样本；判别模型由5层卷积层组成，生成模型由5层反卷积层组成，分类模型由5层卷积层和3层全连接层组成，且每层卷积层或反卷积层后都设有1层池化层和1层批归一化层；生成对抗网络的结构中，分类模型输出层使用SoftMax激活函数，判别模型和生成模型输出层皆使用线性激活函数，其余使用ReLU激活函数，以此来解决梯度消失的情况，并加快收敛速度；GAN训练方法具体为：
Figure 659450DEST_PATH_IMAGE001
Figure 764810DEST_PATH_IMAGE002
Figure 651994DEST_PATH_IMAGE003
其中，
Figure 660881DEST_PATH_IMAGE004
、
Figure 783558DEST_PATH_IMAGE005
和
Figure 681107DEST_PATH_IMAGE006
分别表示第
Figure 739193DEST_PATH_IMAGE007
个生成模型、判别模型和分类模型中的参数；
Figure 456613DEST_PATH_IMAGE008
、
Figure 553620DEST_PATH_IMAGE009
、
Figure 367992DEST_PATH_IMAGE010
和
Figure 65821DEST_PATH_IMAGE011
分别表示针对于第
Figure 864012DEST_PATH_IMAGE007
类少数类样本的生成损失、分类损失、Pearson相似损失和判别损失；
Figure 203858DEST_PATH_IMAGE012
表示模型训练过程中所设置的学习率；生成损失通过生成样本与同标签少数类样本之间的均方根误差计算；分类损失通过生成样本与多数类样本之间的分类误差计算；Pearson相似损失通过生成样本与同标签样本以及不同标签样本间的Pearson相关系数计算；判别损失通过生成样本与同标签的少数类样本在对应的分类模型中的分类误差计算；
其中在上述步骤三中，使用步骤一中制作的样本训练步骤二中搭建的生成对抗网络，并采用Adam方法进行优化，且每一批次的训练尺寸均为64个样本，直至达到纳什平衡，以生成符合少数类样本特征的数据集；
其中在上述步骤四中，将步骤三中得到的生成数据集和步骤一制作的真实数据集混合形成平衡数据集；
其中在上述步骤五中，搭建结构与生成对抗网络中分类模型相同的故障分类器；
其中在上述步骤六中，将步骤四中得到的平衡数据集作为训练集输入步骤五中搭建的故障分类器，逐层学习故障特征，通过分类器完成不同故障类别的诊断识别。
实验例：
采用上述实施例所提供的方法，利用轨道交通传动故障仿真综合实验平台采集列车轴承信号数据集作为训练集，实验中采样频率设置为25kHz，电机输出转速设置为1200rpm，加载力设置为3000N；该数据集包括保持架轻微故障（CI）、内圈轻微故障（II）、滚动体轻微故障（RI）、保持架严重故障（CS）、内圈严重故障（IS）以及滚动体严重故障（RS）；其中，CI类别样本数为5000个，而其他故障类别中样本数只有100个，列车轴承数据严重不平衡；迭代次数与损失值的关系如图5所示，其中，图5a为判别损失，图5b为生成损失，图5c为分类损失，经过250次的训练，最终生成模型损失值保持在0.05左右，说明生成的数据已经非常接近真实数据，而且收敛速度也非常快；经过250次的训练，最终分类模型损失值保持在0.01左右，说明生成的数据中蕴含的特征有利于列车轴承的故障分类；如图6和图7所示，其中图6a为CS原始与生成数据频谱对比图，图6b为II原始与生成数据频谱对比图，图6c为IS原始与生成数据频谱对比图，图6d为RI原始与生成数据频谱对比图，图6e为RS原始与生成数据频谱对比图，图7为CS、II、IS、RI和RS的原始与生成数据频谱概率分布对比图，对比真实数据和生成模型生成的频域数据，在整体趋势上一致；绘制其概率分布，结果高度重合，因此可以认为生成模型生成的样本具备原始的真实样本的主要特征；如图8-11所示，通过将更多的生成样本输入故障分类器的训练集直到数据平衡以研究所提方法的有效性；随着生成样本的加入，各类别的识别准确率不断提升，证实了该方法的实用性；在训练完成时故障识别率达到91.6%。
基于上述，本发明的优点在于，该发明在训练生成对抗网络过程中，生成模型能够生成更接近真实数据的样本，使判别模型难以区分真实样本和生成样本；如图2所示，在生成模型中，每层反卷积层中的卷积核尺寸均设置为
Figure DEST_PATH_IMAGE013
，步长设置为
Figure 249568DEST_PATH_IMAGE014
，卷积核的个数分别设置为64，32，32，16，1；每层中卷积核都与输入特征图进行反卷积操作，然后加上偏置值，得到输出的特征图；经过5层反卷积层，输入数据的通道数缩减，图像尺寸保持不变，提取数据样本的特征并输出一个与真实样本形状相同的样本；判别模型能够更准确地判断出输入样本的真实性，如图3所示，输入的真实数据或者生成数据形状都是相同的样本，经过5层卷积层以提取样本中特征；在判别模型之后进行数据扁平化操作并添加1个全连接层，最终输出一个一维的数据，即判断输入样本的真假；其中卷积层的卷积核大小均为
Figure 774090DEST_PATH_IMAGE013
，步长均为
Figure 731682DEST_PATH_IMAGE014
，卷积核个数分别为64，128，256，512，1；分类模型能够更准确地判断出输入样本的故障类别，如图4所示，首先将生成样本与所有真实样本输入5层卷积层以提取样本中特征；然后对得到的特征图进行扁平化操作并添加3个全连接层，最终输出一个一维的数据，即判断输入样本对应的列车轴承故障；其中卷积层的卷积核大小均为
Figure DEST_PATH_IMAGE015
，步长均为
Figure 842595DEST_PATH_IMAGE014
，卷积核个数分别为16，32，32，64，64；全连接层的神经元个数分别为500，100，6；多数类真实样本信号经过不同生成模型产生假的对应的少数类生成样本，生成样本和真实样本输入判别网络，分别判断出样本真假，利用判别对错概率产生损失值，将损失值反馈给生成模型，用以改进生成模型的各项参数，为下一轮训练生成更加逼真的少数类样本，最终形成一个闭环反馈的生成对抗网络，直到网络达到纳什均衡，生成无限逼近真实数据的少数类生成数据；将生成的少数类样本、真实的同标签的少数类样本以及多数类样本进行混合并输入到对应的分类模型中进行故障类别诊断以保证所提取的用于生成少数类样本的特征也适用于故障诊断，减小故障分类器的诊断压力；将少数类生成数据输入深度神经网络的训练集，扩充训练集的样本数，提高深度神经网络对于故障特征的学习能力，将学习到的故障特征记录到故障分类器中，通过分类器判断测试集中的故障类型；
同时，本发明还具备以下的优点：
1.本发明通过基于判别模型和生成模型的GAN训练方法搭建小样本数据类别的生成对抗网络，生成模型的网络学习真实样本的分布规律生成新的样本，判别模型的网络过对真实样本与生成样本的判别结果反向传播并优化内部参数，促使生成器产生更加真实的数据样本，生成的数据补充到数据不足的训练集中，从而提高该类别故障的诊断识别率；
2.本发明的深度卷积神经网络通过对样本进行特征提取，自适应地逐层学习故障特征，实现不同故障的特征学习，最终实现小样本故障类别的诊断识别；
3.本发明为每个少数类都配备独立的分类器，保证提取的特征有利于对列车轴承故障类别的故障诊断；
4.本发明针对每个少数类类别的样本都设置一个特定的发生器和一个特定的鉴别器，避免了它们之间的干扰；
5.本发明使用皮尔逊相关系数测量生成样本与真实样本平均值之间的损失函数来提高生成的质量；
6.本发明将时域信号和频域信号整合成二维样本来提高故障诊断模型的性能，直接由生成对抗网络生成；
7.本发明中使用的批处理化方法可以解决初始化效果差的问题，帮助梯度传播到网络的每一层，加速模型收敛，同时有效减缓模型过拟合问题，避免生成模型崩溃，防止生成的样本收敛到同一个点；
8.本发明对深度卷积神经网络采用Adam方法进行优化，该方法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率，在反向传播阶段，更新权值求得全局最优解，使损失函数达到最小值。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (7)

1.一种基于改进生成对抗网络的列车轴承故障诊断方法，包括以下步骤：步骤一，制作真实数据集；步骤二，构建生成对抗网络；步骤三，训练生成对抗网络；步骤四，制作平衡数据集；步骤五，搭建故障分类器；步骤六，训练故障分类器；其特征在于：
其中在上述步骤一中，通过快速傅里叶变换将时域样本转化为频域样本，制作同时包含时域信息和频域信息的真实数据集；
其中在上述步骤二中，通过基于多个判别模型、多个生成模型以及多个分类模型的GAN训练方法搭建针对少数类样本的生成对抗网络；
其中在上述步骤三中，使用步骤一中制作的样本训练步骤二中搭建的生成对抗网络，并采用Adam方法进行优化，且每一批次的训练尺寸均为64个样本，直至达到纳什平衡，以生成符合少数类样本特征的数据集；
其中在上述步骤四中，将步骤三中得到的生成数据集和步骤一制作的真实数据集混合形成平衡数据集；
其中在上述步骤五中，搭建结构与生成对抗网络中分类模型相同的故障分类器；
其中在上述步骤六中，将步骤四中得到的平衡数据集作为训练集输入步骤五中搭建的故障分类器，逐层学习故障特征，通过分类器完成不同故障类别的诊断识别。
2.根据权利要求1所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述步骤二中，生成对抗网络的结构包括N个判别模型、N个生成模型以及N个分类模型，其中，N表示少数类的个数。
3.根据权利要求1所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述步骤二中，用于输入生成对抗网络以生成少数类的样本为多数类样本。
4.根据权利要求2所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述判别模型由5层卷积层组成，生成模型由5层反卷积层组成，分类模型由5层卷积层和3层全连接层组成，且每层卷积层或反卷积层后都设有1层池化层和1层批归一化层。
5.根据权利要求2所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述生成对抗网络的结构中，分类模型输出层使用SoftMax激活函数，判别模型和生成模型输出层皆使用线性激活函数，其余使用ReLU激活函数，以此来解决梯度消失的情况，并加快收敛速度。
6.根据权利要求1所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述步骤二中，GAN训练方法具体为：
Figure 115933DEST_PATH_IMAGE001
其中，
Figure 236335DEST_PATH_IMAGE002
、
Figure 484914DEST_PATH_IMAGE003
和
Figure 348965DEST_PATH_IMAGE004
分别表示第
Figure 366600DEST_PATH_IMAGE005
个生成模型、判别模型和分类模型中的参数；
Figure 159368DEST_PATH_IMAGE006
、
Figure 895243DEST_PATH_IMAGE007
、
Figure 297406DEST_PATH_IMAGE008
和
Figure 435126DEST_PATH_IMAGE009
分别表示针对于第
Figure 897331DEST_PATH_IMAGE005
类少数类样本的生成损失、分类损失、Pearson相似损失和判别损失；
Figure 120502DEST_PATH_IMAGE010
表示模型训练过程中所设置的学习率。
7.根据权利要求6所述的一种基于改进生成对抗网络的列车轴承故障诊断方法，其特征在于：所述生成损失通过生成样本与同标签少数类样本之间的均方根误差计算；分类损失通过生成样本与多数类样本之间的分类误差计算；Pearson相似损失通过生成样本与同标签样本以及不同标签样本间的Pearson相关系数计算；判别损失通过生成样本与同标签的少数类样本在对应的分类模型中的分类误差计算。
CN202210308771.1A 2022-03-28 2022-03-28 一种基于改进生成对抗网络的列车轴承故障诊断方法 Active CN114491823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308771.1A CN114491823B (zh) 2022-03-28 2022-03-28 一种基于改进生成对抗网络的列车轴承故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308771.1A CN114491823B (zh) 2022-03-28 2022-03-28 一种基于改进生成对抗网络的列车轴承故障诊断方法

Publications (2)

Publication Number Publication Date
CN114491823A true CN114491823A (zh) 2022-05-13
CN114491823B CN114491823B (zh) 2022-07-12

Family

ID=81488727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308771.1A Active CN114491823B (zh) 2022-03-28 2022-03-28 一种基于改进生成对抗网络的列车轴承故障诊断方法

Country Status (1)

Country Link
CN (1) CN114491823B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481692A (zh) * 2022-09-23 2022-12-16 常州安控电器成套设备有限公司 一种基于sgan的水泵机组故障诊断方法
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111006865A (zh) * 2019-11-15 2020-04-14 上海电机学院 一种电机轴承故障诊断方法
US20210089647A1 (en) * 2018-09-13 2021-03-25 King Fahd University Of Petroleum And Minerals Asset-based security systems and methods
US20210150106A1 (en) * 2019-11-05 2021-05-20 Michael R. Limotta, III Machine learning system and method for propulsion simulation
US20210201003A1 (en) * 2019-12-30 2021-07-01 Affectiva, Inc. Synthetic data for neural network training using vectors
CN113221946A (zh) * 2021-04-02 2021-08-06 中国人民解放军92578部队 一种机械设备故障种类的诊断方法
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN113987674A (zh) * 2021-10-25 2022-01-28 杭州电子科技大学 一种基于生成对抗网络的雷达hrrp持续学习方法
US11269752B1 (en) * 2021-07-07 2022-03-08 Eugenie Technologies Private Limited System and method for unsupervised anomaly prediction

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210089647A1 (en) * 2018-09-13 2021-03-25 King Fahd University Of Petroleum And Minerals Asset-based security systems and methods
US20210150106A1 (en) * 2019-11-05 2021-05-20 Michael R. Limotta, III Machine learning system and method for propulsion simulation
CN111006865A (zh) * 2019-11-15 2020-04-14 上海电机学院 一种电机轴承故障诊断方法
US20210201003A1 (en) * 2019-12-30 2021-07-01 Affectiva, Inc. Synthetic data for neural network training using vectors
CN113221946A (zh) * 2021-04-02 2021-08-06 中国人民解放军92578部队 一种机械设备故障种类的诊断方法
US11269752B1 (en) * 2021-07-07 2022-03-08 Eugenie Technologies Private Limited System and method for unsupervised anomaly prediction
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN113987674A (zh) * 2021-10-25 2022-01-28 杭州电子科技大学 一种基于生成对抗网络的雷达hrrp持续学习方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEI ZHANG等: ""Machinery fault diagnosis with imbalanced data using deep generative adversarial networks"", 《MEASUREMENT》 *
孙文赟等: "基于卷积-反卷积网络的正交人脸特征学习算法", 《深圳大学学报(理工版)》 *
董勋等: "代价敏感卷积神经网络:一种机械故障数据不平衡分类方法", 《仪器仪表学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115481692A (zh) * 2022-09-23 2022-12-16 常州安控电器成套设备有限公司 一种基于sgan的水泵机组故障诊断方法
CN115481692B (zh) * 2022-09-23 2023-10-10 江苏安控智汇科技股份有限公司 一种基于sgan的水泵机组故障诊断方法
CN115795313A (zh) * 2023-01-16 2023-03-14 中国科学院合肥物质科学研究院 核主泵故障诊断模型的训练方法、故障诊断方法和系统

Also Published As

Publication number Publication date
CN114491823B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN110823574B (zh) 一种基于半监督学习深度对抗网络的故障诊断方法
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
CN111046900B (zh) 基于局部流形正则化的半监督生成对抗网络图像分类方法
CN113884290B (zh) 基于自训练半监督生成对抗网络的调压器故障诊断方法
CN113869208B (zh) 基于sa-acwgan-gp的滚动轴承故障诊断方法
CN108171318B (zh) 一种基于模拟退火—高斯函数的卷积神经网络集成方法
CN111006865A (zh) 一种电机轴承故障诊断方法
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
CN113203566B (zh) 一种基于一维数据增强和cnn的电机轴承故障诊断方法
CN110657984A (zh) 一种基于强化胶囊网络的行星齿轮箱故障诊断方法
Liu et al. Intelligent fault diagnosis under small sample size conditions via Bidirectional InfoMax GAN with unsupervised representation learning
CN111222457B (zh) 一种基于深度可分离卷积的鉴别视频真伪性的检测方法
Miao et al. Deep sparse representation network for feature learning of vibration signals and its application in gearbox fault diagnosis
CN111553297A (zh) 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统
CN112304614A (zh) 采用多注意力机制的端到端滚动轴承智能故障诊断方法
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN114004333A (zh) 一种基于多假类生成对抗网络的过采样方法
CN114997211A (zh) 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法
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
Han et al. Data-enhanced stacked autoencoders for insufficient fault classification of machinery and its understanding via visualization
CN112160877A (zh) 一种基于sfa和cnn的风机轴承故障诊断方法
CN114863938A (zh) 一种基于注意力残差和特征融合的鸟语识别方法和系统
CN115147651A (zh) 水电机组轴心轨迹的识别方法
Yin et al. A multi-scale graph convolutional neural network framework for fault diagnosis of rolling bearing
CN114980122A (zh) 一种小样本射频指纹智能识别系统与方法

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