CN115575125A - 基于gadf-gan-avoa-cnn的轴承故障诊断方法 - Google Patents

Abstract

一种基于GADF‑GAN‑AVOA‑CNN的轴承故障诊断方法，步骤为：首先利用GADF将采集到的原始一维轴承振动信号进行编码转换为二维图像，并将一部分图像加入高斯白噪声；然后设计了一种多头自注意力机制的生GAN对二维故障图像进行去噪，以去噪器代替生成式对抗网络的生成器，将加噪图像输入去噪器剔除噪声，将去噪器输出的图像和未加噪图像输入判别器，为增强对噪声滤除效果把多头注意力机制融合在去噪器中，当去噪器和判别器在博弈中平衡时，去噪效果达到最佳；最后使用AVOA对CNN中的几个关键参数进行寻优，构建最优模型结构和参数，最终将去噪处理的二维图像输出优化CNN中进行滚动轴承故障诊断。本发明提高了故障诊断的准确率和鲁棒性。

Description

基于GADF-GAN-AVOA-CNN的轴承故障诊断方法

技术领域

本发明属于轴承故障诊断领域，特别涉及一种基于GADF-GAN-AVOA-CNN的轴承故障诊断方法。

背景技术

滚动轴承是旋转机械设备中重要的零部件,它的健康与否直接影响着机械设备是否能正常运行,保持滚动轴承的安全可靠在旋转机械中有着非常重要的意义。根据统计，在实际工业生产中旋转机械设备由于滚动轴承故障引起的故障占40％～60％，因此研究出一种能用于工业实际的高效滚动轴承故障诊断方法变得尤为重要。传统的轴承故障诊断方法主要依靠专家库和人工经验提取故障特征并判断其故障类型。传统的轴承故障诊断方法主要是对原始振动信号进行处理然后提取特征分析，包括希尔伯特-黄变换、傅里叶变换、小波变换等，需要依靠工作经验来判断具体故障类型,不仅费时费力而且准确率不高。在过去的几年里，随着深度学习的不断发展其在轴承故障诊断领域得到了广泛地应用，卷积神经网络(CNN)作为深度学习的代表作，在轴承故障诊断方面取得了显著的成绩，它能直接从原始采集数据中学习具有代表性的特征,避免繁琐的提取特征值的过程，实现了端对端的诊断。

现有的用深度学习进行轴承故障诊断方法中，常用的方法都是处理一维信号，然而在变转速情况下一维信号特征提取较为困难而且存在特征丢失的情况，同时考虑到卷积神经网络应用最广泛最成熟的是二维图像，本发明将原始一维信号通过GADF编码为二维图像。现在许多深度学习故障诊断方法都是考虑无噪声情况下进行的，但是实际采集的轴承振动信号往往都是有噪声的，在噪声环境下，许多深度学习故障诊断方法准确率会下降，因此去噪是必不可少的环节。近年来许多学者尝试把深度学习用于图像降噪，比如卷积自编码器、DnCNN、深度残差收缩网络等。然而这些去噪方法存在降噪效果不佳或计算效率不高等问题。生成式对抗网络基于博弈论思想，用判别器和生成器之间对抗训练达到去噪目的，当判别器无法鉴别生成器输出的图像与标签图像之间真假的时候，说明生成器输出的图像已经剔除了噪声干扰。为了更加有效地滤除噪声，将生成式对抗网络与多头自注意力机制结合。

CNN是解决轴承故障诊断问题的高效手段,但是它的超参数很多、结构参数比较复杂,在构建CNN模型时经常需要反复多次试验和“人工调参”以确定最优模型。“人工调参”过程耗时耗力而且调整好的模型参数结构重用率不高,遇到不同情况需要重新调参，因此“人工调参”一定程度限制了CNN在故障诊断领域的发展。

因此本发明需要解决的技术问题为：设计一个自适应确定最优超参数和结构参数的CNN模型，用于克服传统深度学习无法自动提取模型的超参数和结构参数的缺陷的问题，减少对“人工调参”的依赖。另外需要进一步提高变工况和噪声环境下深度学习故障诊断的准确率和鲁棒性。

发明内容

鉴于背景技术所存在的技术问题，本发明所提供的基GADF-GAN-AVOA-CNN的轴承故障诊断方法，加强了图像去噪模型的去噪效果和克服了传统深度学习无法自动提取模型的超参数和结构参数的缺陷，提高了变工况和噪声环境下深度学习故障诊断的准确率和鲁棒性。

为了解决上述技术问题，本发明采取了如下技术方案来实现：

一种基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，步骤如下：

步骤一：利用振动传感器采集滚动轴承不同部位、不同转速情况下的原始一维振动数据，并对数据进行归一化操作，整理出多段包含三种故障特征和正常状态的一维振动时间序列信号；

步骤二：将整理好的一维数据按7:2:1分成三份，其中第一份、第三份数据加入0-10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集。利用格拉姆角差场(GADF)技术将所有的一维数据转换为保留时间相关性的二维图像。

步骤三：建立并初始化基于多头注意力机制的生成式对抗网络(GAN),该网络的作用是对步骤二中含噪图像降噪：典型生成式对抗网络由两部分组成即生成器和判别器，本发明用去噪器代替生成式对抗网络中的生成器，为提高模型特征提取能力从而加强去噪效果在去噪器中加入多头自注意力模块。

步骤四：用步骤二中的训练集样本训练步骤三中建立的基于多头注意力机制的生成式对抗网络，使得隐含层参数最优，去噪器和判别器达到博弈平衡，即网络剔除噪声的能力达到最强。

步骤五：建立非洲秃鹫算法(AVOA)优化的卷积神经网络模型(CNN):先初始化CNN网络结构；再通过非洲秃鹫算优化法确定CNN网络的5个关键参数，包括卷积层C1的卷积核大小m1和卷积核数量n1,卷积层C3的卷积核大小m2和卷积核数量n2，以及学习率c，训练CNN模型使其参数最优。

步骤六：将测试集输入到优化的GADF-GAN-AVOA-CNN模型中进行滚动轴承故障诊断。

进一步的，步骤一采集原始振动信号具体方法是：采集滚动轴承最常见的4种状态即外圈故障、内圈故障、滚动体故障、正常状态的原始振动数据。并对数据进行归一化操作，得到轴承4种工作状态的一维振动时间序列信号。

进一步的，步骤二将训练集和测试集转换为二维图像具体方法是：

S1：先将振动信号的一维时序实测值X＝{x₁,x₂,x₃,...,x_n}通过公式(1)使其排列在[-1,1]区间内

S2：把数据值编码为角余弦，把时间编码为半径，将S1中转换好的数据在极坐标中通过公式(2)重新表示为：

式中：r_i为极坐标半径；t_i为采样信号时间戳；N是一个常数其作用是规范极坐标系跨度。随着时间往后推移，原始信号对应的数值在极坐标中跨度圆上的不同角度点之间发生变形。

S3：最后把S1、S2重新排列的一维振动时间序列转换到极坐标系中，通过计算对应点之间的角度差，识别不同时间间隔内的相关性。GADF的定义如下公式(3)

式中：I为单位行向量；X²，X'²分别为不同的行向量,GADF可以保留时间相关性，因此选择该方法进行一维数据编码。

进一步的，步骤三中建立基于多头注意力机制的生成式对抗网络由两个网络组成，去噪网络G和判别网络D,把步骤二训练集中加噪图像作为去噪网络G的输入，去噪器输出初步去噪图像x_f和标签样本x_r作为判别器输入；判别网络D鉴别去噪数据x_f的真假，通过对抗训练,去噪器G尝试运用x_f来欺骗判别器D,而判别器D尝试去区分x_r和x_f，当判别器D鉴定输出图像数据x_f为真,这说明去噪器输出的数据x_f极其接近与标签样本x_r，即加噪图像数据完成去噪。为了解决生成式对抗网络图像去噪过程中存在的训练不稳定，模式容易崩塌以及为了提高去噪能力，在生成式对抗网络加入了多头自注意力模块。

进一步的，上述生成式对抗网络加入了多头自注意力模块，具体改进内容如下:

多头自注意力机制是在注意力机制的基础上改进而来，能够从多个维度提取特征,其核心表达式如下

多头自注意力机制的本质是加权方式，这里给原始振动信息加高的权重，噪声信息加低的权重，本发明中在生成对抗网络的去噪器G的最后一个残差层后面加上多头自注意力层，从而加强去噪效果。

进一步的，步骤五中使用非洲秃鹫算法自适应提取卷积神经网络CNN的5个关键参数其具体步骤如下：

S1:确定群体中最优的秃鹫：初始化秃鹫种群,并计算所有秃鹫的适应度,比较选择最优解作为第一队的最优秃鸷,次最优解作为第二队的最优秃鸷,其他秃鹫通过公式(5)向最优秃鹫和次最优秃鹫靠近。通过迭代适应度,对整个秃鹫种群重新计算。

式中R_i(t)表示除了最优秃鹫和次最优秃鹫以外其他秃鹫位置；BestV₁表示最优秃鹫位置；BestV₂表示次最优秃鹫位置；L₁和L₂介于[0,1]之间的参数且L₁+L₂＝1；p_i表示最优秃鹫概率；f_i表示其他秃鹫的适应度。

S2：秃鹫的饥饿率：秃鹫经常到处找食物,如果秃鹫处于饱食状态，能量就高,这可以使他们去更远地方觅食；相反如果饥饿，能量就低，秃鹫就没有足够的能力飞得更远,饥饿状态下就会变得有攻击性。对于秃鹫这种行为的数学建模如下所示。

式中F代表秃鹫处于饱食状态，T表示最大迭代次数，t表示当前迭代次数，z是[-1,1]之间的一个随机数,h是[-2,2]之间的随机数。rand₁表示[0,1]之间的随机值。当z＜0,表示秃鹫饥饿；如果z≥0,则表示秃鹰饱了。

S3:探索阶段：在AVOA算法中,秃鹫可以搜索不同的随机区域,一共有两种不同的搜索策略,通过参数P₁来选择其中的一种策略。参数P₁在秃鹫搜索操作之前必须被赋值,赋值范围为[0,1],下式说明了两种策略各自的使用方式。

式中P_i(t)表示第t次迭代时秃鹫的位置；P_i(t+1)表示表示第t+1次迭代时秃鹫的位置；X表示秃鹫随机位置,X＝2×rand,rand∈[0,1]，P₁表示选择参数；rand₂∈[0,1]，rand₃∈[0,1]，rand_p1∈[0,1]；u_b,l_b分别表示搜索区域空间上下限。

S4:开发阶段：开发阶段一共有两种策略即开发第一阶段和开发第二阶段。通过选择参数P₂,P₃来选择用哪种开发策略进行秃鹫位置更新。开发第一阶段位置更新公式如下：

式中rand₄∈[0,1],rand₅∈[0,1],rand₆∈[0,1],rand_p2∈[0,1]；P₂表示开发第一阶段选择参数，其他参数意义同上。

开发第二阶段位置更新公式如下：

式中BestV₁(t)，BestV₂(t)分别表示第t次迭代时秃鹫的最优位置和次最优位置；rand_p3∈[0,1]；P₃表示开发第二阶段选择参数；Levy(d)表示随机游走，它的步长为重尾分布，秃鹫每步方向完全随机且各向同性。

本专利可达到以下有益效果：

1、本发明用格拉米角差场(GADF)将原始一维振动信号转换为二维图像，与一维信号相比，二维图像可以充分发挥卷积神经网络在图像特征提取的优势，同时在变工况情况下不需要考虑由于转速变化造成的复杂因素，数据预处理简单；与快速傅里叶变换、小波变换等技术相比，GADF可以保留时间相关性，利用卷积神经网络获取到的高维特征能使时间序列近似重构。

2、与现有的图像降噪技术相比，比如卷积自编码器、DnCNN、深度残差收缩网络等相比，生成式对抗网络可以避免重要信息的缺失，最大程度保留原始信息，从而提高故障诊断准确率；将生成式对抗网络和多头自注意力机制结合，给噪声数据很低的权重，原始数据很高的权重，最终有效滤除噪声，该方法增强了去噪能力。

3、与现有的优化算法比如粒子群算法、灰狼算法、遗传算法等相比，非洲秃鹫优化算法是一种新的元启发式优化算法，具有寻优能力强、收敛速度快等优点。与单纯的“人工调参”相比，使用非洲秃鹫优化算法自动确定CNN网络参数提高了模型诊断精度，克服了传统CNN对人工经验的依赖、避免CNN陷入局部最优解等问题。

附图说明

下面结合附图和实施例对本发明作进一步说明：

图1是基于GADF-GAN-AVOA-CNN的轴承故障诊断整体流程图；

图2是GADF将一维数据转换为二维图像效果图；

图3是本发明设计的基于多头注意力机制的生成式对抗网络结构图；

图4是本发明设计的基于多头注意力机制的生成式对抗网络图像去噪流程图；

图5是本发明提供的用非洲秃鹫优化算法对CNN自适应调参流程图。

具体实施方式

实施例1：

GADF指格拉姆角差场变换；GAN指生成式对抗网络；AVOA指非洲秃鹫优化算法CNN指卷积神经网络

优选的方案如图1至图5所示，一种基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，步骤为：

步骤1：对原始轴承振动信号进行采样，具体做法是用振动传感器采集滚动轴承不同部位、不同转速情况下的原始一维振动数据，轴承有内圈故障、外圈故障、滚动体故障、正常工作4种状态，并对数据进行归一化操作，整理出多段具有不同故障特征一维振动时间序列信号。

步骤2：将整理好的一维数据按7:2:1分成三份，其中第一份、第三份数据加入0-10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集。利用格拉姆角差场(GADF)技术将所有的一维数据转换为保留时间相关性的二维图像。格拉米角差场(GADF)将原始一维时间序列编码为二维图像具体步骤是：

2.1先将振动信号的一维时间序列振动信号X＝{x₁,x₂,x₃,...,x_n}进行归一化操作使其排列在[-1,1]区间内，通过以下公式实现：

式中x_i表示归一化后的振动数据；x_i表示原始振动数据；max(X)表示原始振动数据的最大值；min(X)表示原始振动数据的最小值。

2.2每一个采样点对应一个时间戳，把数据值变换为角余弦，把时间戳变换为半径，将2.1中归一化到[-1,1]的时间序列信号变换成极坐标形式，通过以下公式实现：

式中：r_i为极坐标半径；t_i为时间戳；N是一个常数，它的作用是规范极坐标系跨度的，

表示第i个时间戳极坐标的极角。归一化的数据在[-1,1]间，对应的余弦值在[0,π]之间，而余弦函数在[0,π]上单调，当给定一个时间序列信号时，有且仅有一个极坐标与其对应即有唯一的逆映射。

2.3最后2.1和2.2步骤中重新排列的一维时间序列振动信号变换到极坐标系中，通过计算对应点之间的角度差实现识别不同时间间隔内的相关性。计算每个点之间的三角差通过以下公式实现：

式中：I为单位行向量；X²，X'²分别为不同的行向量,

分别表示第i,j时间点对应的角度。GADF可以保留时间相关性，而且转换的图像细节完善不会遗失重要信息,图像色差明显便于提取特征，故选定GADF对时序信号进行编码转换。

步骤3：建立基于基于多头注意力机制的生成式对抗网络：该网络的作用是对步骤二中含噪图像降噪：典型生成式对抗网络由两部分组成即生成器和判别器，本发明用去噪器代替生成式对抗网络中的生成器，为提高模型特征提取能力从而加强去噪效果在去噪器中加入多头自注意力模块，初始网络结构如下所示：

3.1去噪器：输入层、第一卷积层+Relu激活层，接着是6个卷积块，每个卷积块由卷积层+批标准层+Relu激活层组成、多头自注意力层、输出卷积层构成；

3.2判别器：输入层、第一卷积层+批标准层、然后是5组连续的卷积层+批标准层+Leaky-ReLU激活层、判别模块、输出层。

步骤4：利用步骤2中的训练集样本训练步骤3建立的初始基于多头注意力机制的生成式对抗网络，使其隐层参数达到最优，具体步骤如下：

4.1训练基于多头注意力机制的生成式对抗网络时，设置每次训练样本数为batch_size，设置最大的迭代步数为max_step,设置最大的迭代次数为max_epoch，去噪器学习率η，判别器学习率γ，优化器为Adam,激活函数为Relu。去噪器完成m次更新，判别器完成1次更新。

4.1结合图3，将训练集中第一部分加入0～10db的高斯白噪声模拟实际环境中含噪振动样本，把模拟含噪样本输入去噪器进行初步去噪，初步去噪样本表达式如下：

x_f＝y-m＝G(y，φ)

m＝res(y，φ)

式中，x_f表示去噪样本，y表示模拟实际环境中含噪振动样本，m表示去噪器学习的噪声分布，res表示残差学习，φ表示模型参数，G表示去噪器中含噪样本到去噪样本之间的映射。

4.2结合图3，将初步去噪样本和标签样本输入判别器，利用判别器鉴别初步去噪样本的“真假”，若鉴别为“假”，则将判别结果反向传播给去噪器，去噪器调整隐层参数，使得去噪器效果不断优化，同时判别器也加强自身的鉴别能力，去噪器和判别器在不断对抗训练中最终满足迭代条件使得判别器输出结果为“真”，含噪样本完成去噪。

4.3多头自注意力机制

结合图4可以看到基于多头注意力机制的生成式对抗网络的网络结构以及多头自注意力机制嵌入位置，自注意力机制的数学公式为：

式中，I表示采集的轴承样本，W^q,W^k,W^v分别表示权重矩阵；Q指的是query,K指的是key；V指的是value

多头自注意力机制就是由多个自注意力模块组成的,初始化多组权重矩阵Q、K、V,然后把多组权重矩融合成一个矩阵,最后和一个初始化的矩阵相乘，通过以下公式实现。

MultiHead(Q,K,V)＝Concat(head₁,...,head_n)

采用学习位置编码方式解决多头自注意力机制不能捕获位置信息的局限性，具体而言由FNN提供非线性变换。多头自注意力机制输出的维度由两部分决定。其一是输入的batch_size与句子长度的乘积，其二是去噪器中的卷积核层数与卷积核大小的乘积。

4.4模型损失函数

以训练集第二部分样本(未加噪声)即标签样本x_r和去噪样本x_f的MSE作为去噪器的损失函数，如下所示：

式中x_i表示标签样本矩阵，y_i模拟实际环境中含噪振动样本矩阵，m_i表示去噪器学习的噪声分布矩阵。

判别器和去噪器之间的对抗损失是交叉熵函数其原理通过以下公式实现：

式中，x_i表示标签样本矩阵，z表示噪声矩阵，G(z)表示去噪器网络，

表示标签样本期望值，E_z～p(z)表示加入高斯白噪声的期望值，D(x)表示判别器网络。

为了实现模型参数最优化即减小去噪样本和标签样本之间的距离，将去噪器MSE损失函数和去噪器和判别器的交叉熵损失函数相结合，构造一种新的模型损失函数，如下所示：

式中，α表示平衡因子，用于平衡去噪器MSE损失函数和去噪器和判别器的交叉熵损失函数，其他参数意义同上。

4.5评价指标

含噪图像样本滤除噪声效果好不好，即去噪图像样本和标签样本之间的相似度用PSNR(峰值信噪比)和SSIM(结构相似性)作为定量评价指标。

式中，m,n分别表示图像的长和宽，I(i,j),K(i,j)分别表示两个图像之间的像素点，MAX_I表示像素点最大值。

PSNR是根据两个图像对应像素点之间误差进行评估，PSNR值越高表示图像相似度越高即滤除噪声的效果越好。

式中，μ_x,μ_y分别为x,y的平均值，

分别为x,y的方差，σ_xy为x,y的协方差，c₁,c₂是用来维持稳定的常数。

SSIM分别从亮度(均值)、对比度(标准差)和结构(协方差)三个不同因素来衡量图像的相似性。SSIM的取值范围为[-1,1],它的值越大,表明图像去噪质量越好。

步骤5：利用非洲秃鹫优化算法自适应选取CNN的超参数和结构参数，具体步骤如下：

5.1、结合图5，首先确定CNN神经网络初始结构,然后AVOA优化CNN的超参数得到最优CNN网络,AVOA优化CNN的超参数包括卷积层中卷积核的数量和大小以及学习率。

5.2、设置AVOA的参数,初始化秃鹫种群，包括秃鹫种群个数n,最大迭代次数T，秃鹫种群初始位置P_i(i＝1,2,3,...,n)，各阶段更新策略选择参数P₁,P₂,P₃,设置初始迭代t＝0，建立秃鹫群与CNN网络权值和阔值之间的映射关系；

5.3、计算所有秃鹫种群的适应度并比较结果，评估秃鹫种群，找出最佳适应度和次最佳适应度作为最优秃鹫位置BestV₁和次最优秃鹫位置BestV₂，并更新剩余秃鹫位置。

5.4、利用公式(5)更新剩余秃鹫的位置，利用公式(6)计算秃鹫的饥饿率，如果|F|≥1，选择公式(7)更新剩余秃鹫的位置；如果0.5≤|F|＜1选择公式(8)更新剩余秃鹫的位置；如果0≤|F|＜0.5选择公式(9)更新剩余秃鹫的位置。

5.5更新完成后计算所有秃鹫种群的适应度并进行比较，评估秃鹫种群，将最佳适应度和次最佳适应度作为最优秃鹫位置BestV₁和次最优秃鹫位置BestV₂

5.5、令当前迭代次数t＝t+1，如果符合初始判断条件,到达足够好的位置或最大选代次数,则将当前非洲秃鹫种群极值作为最优解,如果不符合设置的初始判断条件,则回到5.5步继续更新。

5.6、算法结束，输出BestV₁，得到最优CNN超参数和结构参数。

步骤6：模型训练完成后,将测试集样本输入到优化GADF-GAN-AVOA-CNN模型中进行滚动轴承故障诊断。

下面结合实施例，具体阐述本发明的步骤和优点：

Step1:对原始轴承振动信号进行采样，轴承型号为6205-2RS，采样频率为12Khz，设置转速1730r/m,轴承分为内圈故障、外圈故障、滚动体故障、正常状态4种不同工况，每种工况故障直径又分为0.007in、0.014in、0.021in(1in＝2.54cm)三个级别，所以轴承一共有10种状态，包括9种故障状态和1种正常状态。利用重叠采样以1024个点为一个样本，每个不同工况状态划分为500个样本，一共采集5000个样本。

表1 CWRU数据集中滚动轴承故障类型

将整理好的样本按7:2:1分成三份，其中第一份、第三份数据加入0-10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集。用格拉米角差场(GADF)将原始5000个样本转换为三种不同大小的二维图像32×32,64×64,128×128，通过试验结果选择最合适的大小。

Step3:建立基于多头注意力机制的生成式对抗网络，网络结构如图4所示，具体参数如下所示：

表2去噪器参数设置

表3判别器参数设置

Step4:训练基于多头注意力机制的生成式对抗网络，设置每次训练样本数为50，设置最大的迭代步数为10000,设置最大的迭代次数为20，去噪器学习率0.01，判别器学习率0.001，训练块大小为64×64，优化器为Adam,激活函数为Relu。去噪器完成3次更新，判别器完成1次更新，本文构建的新的模型损失函数平衡因子α＝0.08。

Step5:利用非洲秃鹫优化算法自适应选取CNN的超参数和结构参数，首先确定CNN的初始结构，实施例选择经典的LeNet-5，结构为卷积层C1,池化层S2,卷积层C3,池化层S4,卷积层C5,全连接层F6

AVOA需要自适应提取的LeNet-5参数为卷积层C1中的卷积核数量和大小m₁,n₁，卷积层C3中的卷积核数量和大小m₃,n₃，卷积层C5中的卷积核数量和大小m₅,n₅，以及学习率η，一共7个参数。

利用上述步骤6训练LeNet-5模型，得出AVOA优化的LeNet-5参数如下所示

表4 AVOA优化的CNN参数

Step6:模型训练完成后，在同等初始条件下，将测试集样本输入到4种不同故障诊断方法中，每种方法测试10次，诊断结果取平均值，最终得出故障诊断准确率结果如表5所示，通过轴承故障诊断结果可以看出本发明方法在噪声条件下故障诊断准确率最高，证明了本方法在噪声条件下具有更高的准确性和更强的鲁棒性。

表5不同方法故障诊断准确率对比表

上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (6)

1.一种基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于：包括以下的步骤：

步骤一：利用振动传感器采集滚动轴承不同部位、不同转速情况下的原始一维振动数据，并对数据进行归一化操作，整理出多段包含三种故障特征和正常状态的一维振动时间序列信号；

步骤二：将整理好的一维数据按7:2:1分成三份，其中第一份、第三份数据加入0-10dB的高斯白噪声，第一份是训练集、第二份是标签、第三份是测试集；利用格拉姆角差场技术将所有的一维数据转换为保留时间相关性的二维图像；

步骤三：建立并初始化基于多头注意力机制的生成式对抗网络,该网络的作用是对步骤二中含噪图像降噪：用去噪器代替生成式对抗网络中的生成器，在去噪器中加入多头自注意力模块，用于提高模型特征提取能力，从而加强去噪效果，

步骤四：用步骤二中的训练集样本训练步骤三中建立的基于多头注意力机制的生成式对抗网络，使得隐含层参数最优，去噪器和判别器达到博弈平衡，即网络剔除噪声的能力达到最强；

步骤五：建立非洲秃鹫算法优化的卷积神经网络模型:先初始化CNN网络结构；再通过非洲秃鹫算优化法确定CNN网络的5个关键参数，5个关键参数分别为卷积层C1的卷积核大小m1、卷积核数量n1、卷积层C3的卷积核大小m2、卷积核数量n2和学习率c，训练CNN模型使其关键参数最优；

步骤六：将测试集输入到优化GADF-GAN-AVOA-CNN模型中进行滚动轴承故障诊断。

2.根据权利要求1所述的基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于，步骤一中，采集原始振动信号方法是：采集滚动轴承最常见的4种状态即外圈故障、内圈故障、滚动体故障、正常状态的原始振动数据；并对数据进行归一化操作，得到轴承4种工作状态的一维振动时间序列信号。

3.根据权利要求1所述的基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于，步骤二中，将训练集和测试集转换为二维图像方法是：

S1：先将振动信号的一维时序实测值X＝{x₁,x₂,x₃,...,x_n}通过公式(1)使其排列在[-1,1]区间内；

S2：把数据值编码为角余弦，把时间编码为半径，将S1中转换好的数据在极坐标中通过公式(2)重新表示为：

式中：r_i为极坐标半径；t_i为采样信号时间戳；N是一个常数其作用是规范极坐标系跨度；随着时间往后推移，原始信号对应的数值在极坐标中跨度圆上的不同角度点之间发生变形；

S3：最后把S1、S2重新排列的一维振动时间序列转换到极坐标系中，通过计算对应点之间的角度差，识别不同时间间隔内的相关性；用格拉米角差场的定义如下公式(3)

式中：I为单位行向量；X²，X'²分别为不同的行向量,用格拉米角差场可以保留时间相关性，因此选择该方法进行一维数据编码。

4.根据权利要求1所述的基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于，步骤三中，建立基于多头注意力机制的生成式对抗网络由两个网络组成，去噪网络G和判别网络D,把步骤二训练集中加噪图像作为去噪网络G的输入，去噪器输出初步去噪图像x_f和标签样本x_r作为判别器输入；判别网络D鉴别去噪数据x_f的真假，通过对抗训练,去噪器G尝试运用x_f来欺骗判别器D,而判别器D尝试去区分x_r和x_f，当判别器D鉴定输出图像数据x_f为真,这说明去噪器输出的数据x_f极其接近与标签样本x_r，即加噪图像数据完成去噪；为了解决生成式对抗网络图像去噪过程中存在的训练不稳定，模式容易崩塌以及为了提高去噪能力，在生成式对抗网络加入了多头自注意力模块。

5.根据权利要求4所述的基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于，加入了多头自注意力模块，操作步骤如下:

多头自注意力机制是在注意力机制的基础上改进而来，能够从多个维度提取特征,其核心表达式如下

多头自注意力机制的本质是加权方式，这里给原始振动信息加高的权重，噪声信息加低的权重，本发明中在生成对抗网络的去噪器G的最后一个残差层后面加上多头自注意力层，从而加强去噪效果。

6.根据权利要求1所述的基于GADF-GAN-AVOA-CNN的轴承故障诊断方法，其特征在于，步骤五中使用非洲秃鹫算法自适应提取卷积神经网络CNN的5个关键参数其步骤如下：

S1:确定群体中最优的秃鹫：初始化秃鹫种群,并计算所有秃鹫的适应度,比较选择最优解作为第一队的最优秃鸷,次最优解作为第二队的最优秃鸷,其他秃鹫通过公式(5)向最优秃鹫和次最优秃鹫靠近；通过迭代适应度,对整个秃鹫种群重新计算；

式中R_i(t)表示除了最优秃鹫和次最优秃鹫以外其他秃鹫位置；BestV₁表示最优秃鹫位置；BestV₂表示次最优秃鹫位置；L₁和L₂介于[0,1]之间的参数且L₁+L₂＝1；p_i表示最优秃鹫概率；f_i表示其他秃鹫的适应度；

S2：秃鹫的饥饿率计算：秃鹫经常到处找食物,如果秃鹫处于饱食状态，能量就高,这可以使他们去更远地方觅食；相反如果饥饿，能量就低，秃鹫就没有足够的能力飞得更远,饥饿状态下就会变得有攻击性；对于秃鹫这种行为的数学建模如下所示；

式中F代表秃鹫处于饱食状态，T表示最大迭代次数，t表示当前迭代次数，z是[-1,1]之间的一个随机数,h是[-2,2]之间的随机数；rand₁表示[0,1]之间的随机值；当z＜0,表示秃鹫饥饿；如果z≥0,则表示秃鹰饱了；

S3:探索阶段：在AVOA算法中,秃鹫可以搜索不同的随机区域,一共有两种不同的搜索策略,通过参数P₁来选择其中的一种策略；参数P₁在秃鹫搜索操作之前必须被赋值,赋值范围为[0,1],下式说明了两种策略各自的使用方式；

式中P_i(t)表示第t次迭代时秃鹫的位置；P_i(t+1)表示表示第t+1次迭代时秃鹫的位置；X表示秃鹫随机位置,X＝2×rand,rand∈[0,1]，P₁表示选择参数；rand₂∈[0,1]，rand₃∈[0,1]，rand_p1∈[0,1]；u_b,l_b分别表示搜索区域空间上下限；

S4:开发阶段：开发阶段一共有两种策略即开发第一阶段和开发第二阶段；通过选择参数P₂,P₃来选择用哪种开发策略进行秃鹫位置更新；开发第一阶段位置更新公式如下：

式中rand₄∈[0,1],rand₅∈[0,1],rand₆∈[0,1],rand_p2∈[0,1]；P₂表示开发第一阶段选择参数，其他参数意义同上；

开发第二阶段位置更新公式如下：

式中BestV₁(t)，BestV₂(t)分别表示第t次迭代时秃鹫的最优位置和次最优位置；rand_p3∈[0,1]；P₃表示开发第二阶段选择参数；Levy(d)表示随机游走，它的步长为重尾分布，秃鹫每步方向完全随机且各向同性。

Images