CN117407784A - 面向传感器数据异常的旋转机械智能故障诊断方法及系统 - Google Patents

面向传感器数据异常的旋转机械智能故障诊断方法及系统 Download PDF

Info

Publication number
CN117407784A
CN117407784A CN202311703611.8A CN202311703611A CN117407784A CN 117407784 A CN117407784 A CN 117407784A CN 202311703611 A CN202311703611 A CN 202311703611A CN 117407784 A CN117407784 A CN 117407784A
Authority
CN
China
Prior art keywords
data
training
data set
countermeasure network
fault
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
CN202311703611.8A
Other languages
English (en)
Other versions
CN117407784B (zh
Inventor
孔运
林翠颖
黄国昱
韩特
董明明
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.)
Tangshan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
Original Assignee
Tangshan Research Institute Of Beijing University Of Technology
Beijing Institute of Technology BIT
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 Tangshan Research Institute Of Beijing University Of Technology, Beijing Institute of Technology BIT filed Critical Tangshan Research Institute Of Beijing University Of Technology
Priority to CN202311703611.8A priority Critical patent/CN117407784B/zh
Publication of CN117407784A publication Critical patent/CN117407784A/zh
Application granted granted Critical
Publication of CN117407784B publication Critical patent/CN117407784B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/0475—Generative 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
    • G06N3/094—Adversarial learning

Landscapes

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

Abstract

本发明公开一种面向传感器数据异常的旋转机械智能故障诊断方法及系统，涉及机械故障诊断技术领域。首先，本发明引入绝对最近邻方法来验证训练数据集中的非故障异常样本并筛除这类样本数据，进而能够有效降低非故障异常数据对故障诊断的影响；其次，本发明构建了一种预测生成对抗网络，以在数据缺失情况下对数据进行补全；与此同时将L2范数正则化集成到预测生成对抗网络的损失函数中，提高模型的鲁棒性。基于此，该方法能够有效解决传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。

Description

面向传感器数据异常的旋转机械智能故障诊断方法及系统
技术领域
本发明涉及机械故障诊断技术领域，特别是涉及一种面向传感器数据异常的旋转机械智能故障诊断方法及系统。
背景技术
旋转机械作为机械系统中的一个重要组成部分，在航空航天、交通运输和制造业等许多领域都有广泛应用。为了监测旋转机械的连续运行状态和健康状态，通常采用多种传感器采集监测信号。但是，与理想状态下采集的信号相比，在实际环境中采集监测数据往往面临传感器故障、机械冲击、电气干扰等恶劣工业环境，这导致了实际采集的旋转机械振动信号往往包含大量的非故障异常数据。此外，由于被监测旋转机械的强烈振动、传动故障或其他意外的传感器故障，信号采集过程可能突然中断，这可能导致振动传感器信号的暂时丢失。以上故障都会导致数据的异常，这些数据被称为非故障异常数据，这些数据为旋转机械的状态监测和故障诊断带来困难，降低诊断结果的可信度。提高传感器数据异常与缺失条件下的智能故障诊断性能一直是旋转机械动态监测、诊断与维护领域的重点。因此，开发在传感器数据异常与缺失条件下的旋转机械状态智能监测、诊断方法与技术，具有重要的理论意义和工程应用价值。
传统的解决非故障异常数据问题的技术是对传感器数据进行验证，该技术会对传感器的数据质量进行评估和验证，具有较好的诊断结果解释能力。但是该技术在处理较为复杂的数据集（如振动信号）时的适应性相当有限。随着人工智能的发展，发展出基于神经网络的数据验证方法。在传感器数据异常的情况下，该方法的目的是增加数据的多样性。但是传统的数据补全方法如主成分分析、矩阵补全和聚类等均被证明存在适应性有限的缺点。之后发展的基于生成对抗补全网络的数据补全方法被证明是更有效的，该方法可以根据已知数据点进行数据预测和填补，但是目前的数据增强办法主要侧重于拓展数据集的大小，尽管可以一定程度上缓解了采样不足的难题，但忽略了信号缺失情况下的欠采样挑战，这将会使数据多样性不足，使得预测生成对抗网络在涉及复杂模式和微小差异的情况下的性能下降。
因此，亟需一种能够在传感器数据缺失和异常情况下对传感器数据进行预测和补全的旋转机械智能诊断方法，以实现在传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种面向传感器数据异常的旋转机械智能故障诊断方法及系统。
为实现上述目的，本发明提供了如下方案。
一种面向传感器数据异常的旋转机械智能故障诊断方法，包括：获取不同故障状态下的训练数据集；所述训练数据集包括旋转机械在不同故障状态下的振动数据。
采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集。
构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络；所述预测生成对抗网络为包括范数正则化损失函数的生成对抗网络；训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出。
获取预测数据集；所述预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本。
构建故障分类器，并采用所述预测数据集训练所述故障分类器，得到训练好的故障分类器。
获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据。
将所述估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
可选地，采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集，具体包括：基于所述训练数据集中的样本数据确定类指标；所述类指标为所述样本数据中样本最大值和样本最小值间差值的绝对值。
构建所述类指标的识别索引，并对所述类指标进行排序得到指标排序结果。
获取识别参数，基于所述识别参数得到所述指标排序结果中的非故障异常样本。
将所述训练数据集中的所述非故障异常样本筛除，得到所述筛选数据集。
可选地，构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络，具体包括：
构建第一生成器，并将输入参数输入至所述第一生成器得到生成样本；所述输入参数包括随机噪声、时间窗口和类向量。
构建鉴别器，并将所述生成样本和所述筛选数据集输入至所述鉴别器得到鉴别结果。
确定第一生成器的损失函数和鉴别器的损失函数，并基于所述第一生成器的损失函数和所述鉴别器的损失函数确定预测生成对抗网络的损失函数。
引入范数正则化，基于预测生成对抗网络的损失函数构建训练目标。
将所述第一生成器的参数和所述鉴别器的参数作为预测生成对抗网络的初始参数。
基于所述训练目标对预测生成对抗网络的初始参数进行优化，直至预测生成对抗网络达到纳什平衡。
将达到纳什平衡时第一生成器的输入参数输入至第二生成器中，得到预测样本。
融合所述预测样本和所述筛选数据集中的样本得到估算样本。
可选地，达到纳什平衡时第一生成器所生成的样本的数据分布满足的条件为：。
式中，表示筛选数据集中样本的数据分布，/>则表示第一生成器中预测样本的数据分布，/>表示训练的次数，/>表示极限函数，/>表示趋近于。
可选地，所述训练目标为：。
式中，表示预测生成对抗网络的损失函数，/>表示对惩罚参数进行控制的一个参数，/>表示预测生成对抗网络的层数，/>表示/>范数正则化的过程，，/>表示第/>层，/>表示第/>个权重的平方和，/>表示第/>层对应的/>范数正则化的过程，/>表示预测生成对抗网络的权重，/>表示权重/>的范数正则化结果，/>表示更新后的损失函数。
可选地，所述第一生成器的损失函数为：。
式中，表示第一生成器的损失函数，/>表示样本的数量，/>表示第i个预测样本，/>表示筛选数据集中的第i个样本。
所述鉴别器的损失函数为：。
式中，表示鉴别器的损失函数，/>表示输入鉴别器的第/>个样本，/>表示第个样本对应的标签，/>表示鉴别器基于类向量/>对输入鉴别器的第/>个样本/>的预测结果，/>表示对数函数。
所述预测生成对抗网络的损失函数为：；/>表示预测生成对抗网络的损失函数。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明引入绝对最近邻方法来验证训练数据集中的非故障异常样本并筛除这类样本数据，能够有效降低非故障异常数据对故障诊断的影响；将范数正则化集成到预测生成对抗网络的损失函数中，能够对非故障异常样本分布进行充分学习，以在数据缺失和异常情况下对数据进行预测和补全，进而实现在传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。同时，在损失函数中融入/>范数正则化，还可以提高预测生成对抗网络的鲁棒性。
进一步，本发明提供了一种面向传感器数据异常的旋转机械智能故障诊断系统，所述系统用于实施上述提供的面向传感器数据异常的旋转机械智能故障诊断方法；所述系统包括：训练数据集获取模块、数据验证筛选模块、网络构建训练模块、预测数据集获取模块、分类器构建训练模块、估算样本生成模块和故障诊断模块。
训练数据集获取模块，用于获取不同故障状态下的训练数据集；所述训练数据集包括旋转机械在不同故障状态下的振动数据。
数据验证筛选模块，用于采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集。
网络构建训练模块，用于构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络；所述预测生成对抗网络为包括范数正则化损失函数的生成对抗网络；训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出。
预测数据集获取模块，用于获取预测数据集；所述预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本。
分类器构建训练模块，用于构建故障分类器，并采用所述预测数据集训练所述故障分类器，得到训练好的故障分类器。
估算样本生成模块，用于获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据。
故障诊断模块，用于将所述估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
因本发明提供的上述系统实现的技术效果与本发明提供的面向传感器数据异常的旋转机械智能故障诊断方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的面向传感器数据异常的旋转机械智能故障诊断方法的流程图。
图2为本发明实施例提供的具有范数正则化损失函数的预测生成对抗网络的整体结构图。
图3为本发明实施例提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络的详细流程图。
图4为本发明实施例提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络诊断方法与当前先进方法的行星齿轮箱测试数据的故障分类结果对比图。
图5为本发明实施例提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络在不同分类器和不同预测样本长度的情况下进行故障分类的结果图。
图6为本发明实施例提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络在不同比例的非故障异常样本下不同分类器的分析结果图。
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。
本发明的目的是提供一种面向传感器数据异常的旋转机械智能故障诊断方法及系统，能够在数据缺失和异常情况下对数据进行预测和补全，进而实现在传感器数据缺失和异常情况下的旋转机械状态监测和故障诊断。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的面向传感器数据异常的旋转机械智能故障诊断方法，包括以下步骤100至步骤106。
步骤100：获取不同故障状态下的训练数据集。训练数据集包括旋转机械在不同故障状态下的振动数据。其中，训练数据集可以表示为。训练数据集/>是一个/>的矩阵，/>表示样本的数量，/>表示样本的长度，/>表示获得的振动数据/>则表示第/>个样本，/>表示该样本中的第/>个数据点，，/>。
在实际应用过程中，可以通过安装在旋转机械上的传感器分别获取不同故障状态下的训练数据集（即训练用振动数据集）和测试数据集（即测试用振动数据集）。其中，获取测试数据集是为了便于在后续验证训练好的预测生成对抗网络的性能。
其中，可以通过安装在齿轮箱箱体上的传感器采集不同故障状态的故障数据集，将采集到的故障数据集通过划分为训练数据集和测试数据集。故障数据集中的数据主要是齿轮的振动信号数据，且这些数据能够反映齿轮的不同健康状态。齿轮的不同健康状态包括齿轮正常、太阳轮齿轮表面磨损、太阳轮齿轮裂纹、太阳轮齿轮剥落故障以及太阳轮轮齿缺失。
步骤101：采用绝对最近邻方法对训练数据集进行数据验证，并基于数据验证结果筛除训练数据集中的非故障异常样本，得到筛选数据集。
进一步，上述步骤101的实现过程可以为：（1）基于训练数据集中的样本数据确定类指标。类指标为样本数据中样本最大值和样本最小值间差值的绝对值。
在实际应用过程中，步骤（1）是为了定义样本的类指标。其中，类指标/>定义为：/>。/>表示的是第/>个样本中的信号最大值，/>则表示第/>个样本中的信号最小值点。
（2）构建类指标的识别索引，并对类指标进行排序得到指标排序结果。
在实际应用过程中，如图3所示，基于绝对最近邻方法对类指标进行排序得到指标排序结果。具体的，对训练数据集/>的类指标/>进行排序，排序结果为：/>。其中，/>表示类指标的排序结果，/>表示第/>个排序后的类指标/>的索引，/>为排序函数，其功能是对训练数据集/>的类指标进行排序。
（3）获取识别参数，基于识别参数得到指标排序结果中的非故障异常样本。
在实际应用过程中，可以根据实际需要确定识别参数，具有识别参数/>的样本确定为非故障异常样本。非故障异常样本/>为：/>。其中，/>函数是查找函数，其功能是将已经经过排序函数/>处理的结果根据识别参数/>进行查找，筛选出非故障异常样本。同时，也将初始数据集划分为训练数据集/>和测试数据集。
（4）将训练数据集中的非故障异常样本筛除，得到筛选数据集。筛选数据集中样本表示为：/>。
步骤102：构建预测生成对抗网络，采用筛选数据集对预测生成对抗网络进行训练得到训练后的预测生成对抗网络。预测生成对抗网络为包括范数正则化损失函数的生成对抗网络。训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出。其中，预测生成对抗网络的具体结构如图2所示。
在实际应用过程中，步骤102实质是将具有范数正则化损失函数的预测生成对抗网络初始化，以充分学习数据分布后输出预测数据集的过程，如图3所示，这一实现过程可以参见下述步骤。
（1）构建第一生成器（即生成器G），并将输入参数输入至第一生成器得到生成样本。输入参数包括随机噪声、时间窗口/>和类向量/>。
在实际应用过程中，随机噪声表示为，其中，/>表示随机噪声的第/>个噪声序列，/>表示随机噪声序列中第/>个随机噪声点，，/>。利用时间窗口k可以灵活控制预测样本的大小。第一生成器会依据输入参数输出生成样本。生成样本表示为：/>，其中/>表示噪声序列/>生成的样本（即第/>个预测样本），/>则表示样本/>中的第/>个数据点。
（2）构建鉴别器D，并将生成样本和筛选数据集输入至鉴别器D得到鉴别结果。
在实际应用过程中，鉴别器D的输入包括生成样本以及筛选数据集中样本/>。其中，/>，/>表示筛选数据集中样本/>中的第/>个原始样本，/>则表示样本/>中的第/>个数据点。鉴别器D的输出则是输入样本（即生成样本/>以及筛选数据集中样本/>）的鉴别结果。鉴别结果表示为/>。
在训练过程中，生成器G的时间窗口的大小应当与原始样本/>的时间窗口保持一致，以保证生成的数据长度一致，而鉴别器D中的时间窗口则用于评估原始样本/>的真实性。
（3）确定第一生成器的损失函数和鉴别器的损失函数，并基于第一生成器的损失函数和鉴别器的损失函数确定预测生成对抗网络的损失函数。
其中，第一生成器的损失函数与第一生成器相关联。第一生成器的损失函数为：/>。
鉴别器D的损失函数与鉴别器D相关联。鉴别器的损失函数为：。
式中，表示第/>个样本/>对应的标签（/>为0表示假，/>为1表示为真），表示鉴别器基于类向量/>对输入鉴别器的第/>个样本/>的预测结果，/>表示对数函数。
预测生成对抗网络的损失函数为：。
（4）引入范数正则化，基于预测生成对抗网络的损失函数构建训练目标。
（5）将第一生成器的参数和鉴别器的参数作为预测生成对抗网络的初始参数。其中，初始参数表示为：/>。/>为第一生成器（即生成器G）的参数，/>为鉴别器D的参数。
（6）基于训练目标对预测生成对抗网络的初始参数进行优化，直至预测生成对抗网络达到纳什平衡。其中，训练目标为：。式中，/>表示预测生成对抗网络的损失函数，/>表示对惩罚参数进行控制的一个参数，/>表示预测生成对抗网络的层数，/>表示/>范数正则化的过程，/>，/>表示第/>层，/>表示第个权重的平方和，/>表示第/>层对应的/>范数正则化的过程，/>表示预测生成对抗网络的权重，/>表示权重/>的/>范数正则化结果，/>表示更新后的损失函数。
在实际应用过程中，预测生成对抗网络达到的纳什平衡是指损失的平衡。在训练过程中，当预测生成对抗网络达到纳什平衡时，就意味着预测生成对抗网络的损失最终收敛于某一个值，此时，可以认为生成器G已经充分学习了原始样本的数据分布，表示为：/>。式中，/>表示筛选数据集中样本的数据分布，/>则表示第一生成器中预测样本的数据分布，/>表示训练的次数，/>表示极限函数，表示趋近于。
（7）将达到纳什平衡时第一生成器的输入参数输入至第二生成器中，得到预测样本。
在实际应用过程中，该步骤中，是将类向量、随机噪声/>以及时间窗口k等参数提取出来输入到另一个生成器/>（即第二生成器）中。生成器/>具有与前述第一生成器相同的结构。时间窗口/>可根据需要进行调整，以确定生成样本的长度。在参数输入到生成器/>后，将会生成预测样本，这一过程可以表示为/>。
其中，表示第二生成器输出的第/>个预测样本，/>表示实数集。
（8）融合预测样本和筛选数据集中的样本得到估算样本。即将原始样本与生成器输出的预测样本结合，得到最终的估算样本，该过程可以描述为：。其中，/>表示估算样本。
步骤103：获取预测数据集。预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本。
在实际应用过程中，将训练数据集输入到训练好的预测生成对抗网络过程后，其中单个样本生成的最终估算样本为/> ，最终估算样本/>的集合即是预测数据集/>。将测试数据集/>输入到训练好的预测生成对抗网络过程后生成的最终估算样本为/>，最终估算样本/>的集合即是预测数据集/>。
步骤104：构建故障分类器，并采用预测数据集训练故障分类器，得到训练好的故障分类器。
在实际应用过程中，就是将预测数据集输入到经过训练的故障分类器中，故障分类器/>将会对诊断结果进行分析，得出预测数据集/>中包含的不同故障状态。
步骤105：获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据。
步骤106：将估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
基于上述描述，本发明首先引入绝对最近邻算法来检测传感器采集数据中的非故障异常数据，将非故障异常数据进行筛选，减轻非故障异常数据对故障诊断的影响。然后采用预测生成对抗网络之中的生成器首先对原始数据进行学习并补全，并在鉴别器的鉴别下提高生成性能，将范数正则化集成到预测生成对抗网络的损失函数中，经过训练，预测生成对抗网络的损失函数达到纳什平衡，预测生成对抗网络将会输出样本。随后提取训练完成的生成器，使用随机噪声生成预测样本，与原始数据结合成预测数据。最后使用分类器将预测数据中的故障进行分类。本发明充分考虑了工业场景中数据存在的异常和缺失对诊断带来的影响，并基于绝对最近邻数据验证方法和损失函数融入了/>范数正则化的预测生成对抗网络，为旋转机械的状态监测和故障诊断提供新的方法，为旋转机械装备的安全可靠运行提供了重要的技术支撑。
进一步，如图4所示的实施例，需要说明的是，表示本发明提出的基于绝对最近邻数据验证方法的具有/>范数正则化损失函数的预测生成对抗网络，而/>则表示不采用绝对最近邻数据验证方法的具有/>范数正则化损失函数的预测生成对抗网络，/>则表示采用了绝对最近邻方法的不引入/>范数正则化损失函数的预测生成对抗网络，/>表示预测生成对抗网络，DRN-ACGAN表示引入了空洞卷积残差网络的辅助分类器生成对抗网络，ACGAN表示辅助分类器生成对抗网络，WACGAN表示引入了沃瑟斯坦距离的辅助分类器生成对抗网络，CGAN表示条件生成对抗网络，直接诊断则表示直接使用分类器对待诊断数据进行诊断。本发明实施例中，基于绝对最近邻数据验证方法和具有/>范数正则化损失函数的预测生成对抗网络诊断方法关于行星齿轮箱测试数据的健康状态识别结果显示，这一方法能够准确且有效地识别500个测试样本（故障类型未知）的故障类型，准确度、召回率、F-score的最高结果相比现有的先进方法均更高，最高诊断精度达到了100%。这体现了所提供发明面对传感器数据异常与缺失情况下的旋转机械智能故障诊断方法的有效性。
如图5所示的实施例，本发明提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络在不同分类器和不同预测样本长度的情况下进行故障分类的结果显示，在原始样本长度均为200的情况下，输出样本长度为578、784、1024的场景下（为了保证输入数据的一致性，四种不同的样本长度场景分别使用2560、886、654和500个样本），随着样本点数量的增加，各个分类器的诊断准确率都在上升，四种分类器最高诊断准确率超过95%，说明了本发明提供的于绝对最近邻数据验证方法和具有/>范数正则化损失函数的预测生成对抗网络的优越性。
如图6所示的实施例，本发明提供的基于绝对最近邻数据验证方法和具有范数正则化损失函数的预测生成对抗网络在不同比例的非故障异常样本下不同分类器的分析结果显示，在没有非故障异常样本（0%）的情况下，所有分类器的分析结果都达到最好，最高达到了98.96%。随着非故障异常样本比例增加至15%，所有分类器的最高的检测准确度能够达到94.8%，这证明了所提供发明实现在非故障异常数据情况下诊断的性能。其中，图5和图6中，2D-CNN-CF表示带有协同过滤方法（Collaborative Filtering）的二维卷积神经网络。2D-CNN-SVM表示为带有支持向量机的二维卷积神经网络。2D-CNN表示二维卷积神经网络。1D-CNN表示一维卷积神经网络。
基于此，相对于现有技术，本发明提供的上述方法具有以下优点。
1）、本发明提出的面向传感器数据异常的旋转机械智能故障诊断方法，可以对非故障异常数据进行监测和过滤，并生成预测数据，提供一个传感器数据异常与缺失情况下的智能故障诊断方法。
2）、本发明采用了基于绝对最近邻的数据验证方法，以衡量数据间绝对距离的方式对数据集进行预处理，根据需要设定参数，能够将采集的数据集中的非故障异常样本提取出来。
3）、本发明设计了一种具有范数正则化的损失函数的预测生成对抗网络，能够对非故障异常数据样本分布进行充分学习，并对数据预测和补全，恢复数据的多样性。损失函数融入了/>范数正则化，提高了方法的鲁棒性。
4）、本发明可以在传感器数据出现异常与缺失的情况下对旋转机械进行状态监测和故障诊断，能够学习少量样本的分布并对数据进行补全，可以为包含旋转机械的众多机械装备的状态监测、故障诊断和健康管理提供技术支撑。
进一步，本发明提供了一种面向传感器数据异常的旋转机械智能故障诊断系统，该系统用于实施上述提供的面向传感器数据异常的旋转机械智能故障诊断方法。该系统包括：训练数据集获取模块、数据验证筛选模块、网络构建训练模块、预测数据集获取模块、分类器构建训练模块、估算样本生成模块和故障诊断模块。
训练数据集获取模块，用于获取不同故障状态下的训练数据集。训练数据集包括旋转机械在不同故障状态下的振动数据。
数据验证筛选模块，用于采用绝对最近邻方法对训练数据集进行数据验证，并基于数据验证结果筛除训练数据集中的非故障异常样本，得到筛选数据集。
网络构建训练模块，用于构建预测生成对抗网络，采用筛选数据集对预测生成对抗网络进行训练得到训练后的预测生成对抗网络。预测生成对抗网络为包括范数正则化损失函数的生成对抗网络。训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出。
预测数据集获取模块，用于获取预测数据集。预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本。
分类器构建训练模块，用于构建故障分类器，并采用预测数据集训练故障分类器，得到训练好的故障分类器。
估算样本生成模块，用于获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据。
故障诊断模块，用于将估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
再进一步，本发明还提供了一种电子设备，该电子设备包括：存储器和处理器。
存储器，用于存储计算机程序。
处理器，与存储器连接，用于调取并执行计算机程序，以实施上述提供的面向传感器数据异常的旋转机械智能故障诊断方法。
此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (7)

1.一种面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，包括：
获取不同故障状态下的训练数据集；所述训练数据集包括旋转机械在不同故障状态下的振动数据；
采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集；
构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络；所述预测生成对抗网络为包括范数正则化损失函数的生成对抗网络；训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出；
获取预测数据集；所述预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本；
构建故障分类器，并采用所述预测数据集训练所述故障分类器，得到训练好的故障分类器；
获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据；
将所述估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
2.根据权利要求1所述的面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集，具体包括：
基于所述训练数据集中的样本数据确定类指标；所述类指标为所述样本数据中样本最大值和样本最小值间差值的绝对值；
构建所述类指标的识别索引，并对所述类指标进行排序得到指标排序结果；
获取识别参数，基于所述识别参数得到所述指标排序结果中的非故障异常样本；
将所述训练数据集中的所述非故障异常样本筛除，得到所述筛选数据集。
3.根据权利要求1所述的面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络，具体包括：
构建第一生成器，并将输入参数输入至所述第一生成器得到生成样本；所述输入参数包括随机噪声、时间窗口和类向量；
构建鉴别器，并将所述生成样本和所述筛选数据集输入至所述鉴别器得到鉴别结果；
确定第一生成器的损失函数和鉴别器的损失函数，并基于所述第一生成器的损失函数和所述鉴别器的损失函数确定预测生成对抗网络的损失函数；
引入范数正则化，基于预测生成对抗网络的损失函数构建训练目标；
将所述第一生成器的参数和所述鉴别器的参数作为预测生成对抗网络的初始参数；
基于所述训练目标对预测生成对抗网络的初始参数进行优化，直至预测生成对抗网络达到纳什平衡；
将达到纳什平衡时第一生成器的输入参数输入至第二生成器中，得到预测样本；
融合所述预测样本和所述筛选数据集中的样本得到估算样本。
4.根据权利要求3所述的面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，达到纳什平衡时第一生成器所生成的样本的数据分布满足的条件为：
；
式中，表示筛选数据集中样本的数据分布，/>则表示第一生成器中预测样本的数据分布，/>表示训练的次数，/>表示极限函数，/>表示趋近于。
5.根据权利要求3所述的面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，所述训练目标为：
；
；
式中，表示预测生成对抗网络的损失函数，/>表示对惩罚参数进行控制的一个参数，表示预测生成对抗网络的层数，/>表示/>范数正则化的过程，/>表示第/>层，/>表示第/>个权重的平方和，/>表示第/>层对应的/>范数正则化的过程，/>表示预测生成对抗网络的权重，/>表示权重/>的/>范数正则化结果，/>表示更新后的损失函数。
6.根据权利要求3所述的面向传感器数据异常的旋转机械智能故障诊断方法，其特征在于，所述第一生成器的损失函数为：
；
式中，表示第一生成器的损失函数，/>表示样本的数量，/>表示第i个预测样本，表示筛选数据集中的第i个样本；
所述鉴别器的损失函数为：
；
式中，表示鉴别器的损失函数，/>表示输入鉴别器的第/>个样本，/>表示第/>个样本对应的标签，/>表示鉴别器基于类向量/>对输入鉴别器的第/>个样本/>的预测结果，/>表示对数函数；
所述预测生成对抗网络的损失函数为：；/>表示预测生成对抗网络的损失函数。
7.一种面向传感器数据异常的旋转机械智能故障诊断系统，其特征在于，所述系统用于实施如权利要求1-6任意一项所述的面向传感器数据异常的旋转机械智能故障诊断方法；所述系统包括：
训练数据集获取模块，用于获取不同故障状态下的训练数据集；所述训练数据集包括旋转机械在不同故障状态下的振动数据；
数据验证筛选模块，用于采用绝对最近邻方法对所述训练数据集进行数据验证，并基于数据验证结果筛除所述训练数据集中的非故障异常样本，得到筛选数据集；
网络构建训练模块，用于构建预测生成对抗网络，采用筛选数据集对所述预测生成对抗网络进行训练得到训练后的预测生成对抗网络；所述预测生成对抗网络为包括范数正则化损失函数的生成对抗网络；训练后的预测生成对抗网络以振动数据为输入，以估算样本为输出；
预测数据集获取模块，用于获取预测数据集；所述预测数据集包括训练预测生成对抗网络过程中得到的不同故障状态下的估算样本；
分类器构建训练模块，用于构建故障分类器，并采用所述预测数据集训练所述故障分类器，得到训练好的故障分类器；
估算样本生成模块，用于获取待诊断旋转机械的振动数据，并将待诊断旋转机械的振动数据输入至训练好的预测生成对抗网络中，得到估算样本数据；
故障诊断模块，用于将所述估算样本数据输入至训练好的故障分类器，得到故障诊断结果。
CN202311703611.8A 2023-12-13 2023-12-13 面向传感器数据异常的旋转机械智能故障诊断方法及系统 Active CN117407784B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311703611.8A CN117407784B (zh) 2023-12-13 2023-12-13 面向传感器数据异常的旋转机械智能故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311703611.8A CN117407784B (zh) 2023-12-13 2023-12-13 面向传感器数据异常的旋转机械智能故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN117407784A true CN117407784A (zh) 2024-01-16
CN117407784B CN117407784B (zh) 2024-03-12

Family

ID=89496507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311703611.8A Active CN117407784B (zh) 2023-12-13 2023-12-13 面向传感器数据异常的旋转机械智能故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN117407784B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796253A (zh) * 2019-11-01 2020-02-14 中国联合网络通信集团有限公司 生成对抗网络的训练方法及设备
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN114091504A (zh) * 2021-07-19 2022-02-25 中国科学院空间应用工程与技术中心 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115374842A (zh) * 2022-08-03 2022-11-22 哈尔滨工业大学（深圳） 基于生成对抗网络的机械轴承故障分类方法及系统
CN115600137A (zh) * 2022-11-01 2023-01-13 西安电子科技大学（Cn） 面向不完备类别数据的多源域变工况机械故障诊断方法
CN116502073A (zh) * 2023-06-27 2023-07-28 北京理工大学 一种风力发电机组高可信智能故障诊断与健康管理方法
CN116754230A (zh) * 2023-04-25 2023-09-15 山东省计算中心（国家超级计算济南中心） 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
CN117168814A (zh) * 2023-09-04 2023-12-05 山东省计算中心（国家超级计算济南中心） 一种基于复合生成对抗网络的轴承故障诊断方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110796253A (zh) * 2019-11-01 2020-02-14 中国联合网络通信集团有限公司 生成对抗网络的训练方法及设备
CN112649198A (zh) * 2021-01-05 2021-04-13 西交思创智能科技研究院(西安)有限公司 类不平衡滚动轴承智能故障诊断方法、系统、设备及应用
CN114091504A (zh) * 2021-07-19 2022-02-25 中国科学院空间应用工程与技术中心 一种基于生成对抗网络的旋转机械小样本故障诊断方法
CN115374842A (zh) * 2022-08-03 2022-11-22 哈尔滨工业大学（深圳） 基于生成对抗网络的机械轴承故障分类方法及系统
CN115600137A (zh) * 2022-11-01 2023-01-13 西安电子科技大学（Cn） 面向不完备类别数据的多源域变工况机械故障诊断方法
CN116754230A (zh) * 2023-04-25 2023-09-15 山东省计算中心（国家超级计算济南中心） 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
CN116502073A (zh) * 2023-06-27 2023-07-28 北京理工大学 一种风力发电机组高可信智能故障诊断与健康管理方法
CN117168814A (zh) * 2023-09-04 2023-12-05 山东省计算中心（国家超级计算济南中心） 一种基于复合生成对抗网络的轴承故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
YUN KONG ET AL.: "Dictionary Learning-based Intelligent Recognition Method Towards Machinery Fault Diagnostics", 《2022 IEEE INTERNATIONAL CONFERENCE ON SENSING, DIAGNOSTICS, PROGNOSTICS, AND CONTROL ( SDPC)》, 18 October 2022 (2022-10-18) *
包萍 等: "不平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》, vol. 33, no. 3, 15 March 2019 (2019-03-15), pages 176 - 183 *
杨青: "小样本条件下的轴承故障诊断方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 2, 15 February 2023 (2023-02-15) *
董明明: "支持设计重用的知识组件构建方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 July 2015 (2015-07-15) *

Also Published As

Publication number Publication date
CN117407784B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Jiang et al. A GAN-based anomaly detection approach for imbalanced industrial time series
Grezmak et al. Interpretable convolutional neural network through layer-wise relevance propagation for machine fault diagnosis
Guo et al. Multitask convolutional neural network with information fusion for bearing fault diagnosis and localization
Zhang et al. Few-shot bearing fault diagnosis based on model-agnostic meta-learning
Lu et al. Dominant feature selection for the fault diagnosis of rotary machines using modified genetic algorithm and empirical mode decomposition
Zhao et al. Semisupervised deep sparse auto-encoder with local and nonlocal information for intelligent fault diagnosis of rotating machinery
Liu et al. Data fusion generative adversarial network for multi-class imbalanced fault diagnosis of rotating machinery
Fink Data-driven intelligent predictive maintenance of industrial assets
US11328062B2 (en) Critical infrastructure forensics
KR102321607B1 (ko) 기계의 결함 검출 장치 및 방법
Li et al. A novel intelligent fault diagnosis method of rotating machinery based on signal-to-image mapping and deep Gabor convolutional adaptive pooling network
CN111241673A (zh) 用于噪声环境工业设备的健康状态预测方法
Lu et al. Joint training of a predictor network and a generative adversarial network for time series forecasting: A case study of bearing prognostics
Zhang et al. End-to-end unsupervised fault detection using a flow-based model
CN115238785A (zh) 基于图像融合和集成网络的旋转机械故障诊断方法和系统
Ou et al. A deep sequence multi-distribution adversarial model for bearing abnormal condition detection
Jiang et al. Anomaly detection of industrial multi-sensor signals based on enhanced spatiotemporal features
CN114881071A (zh) 基于多源信息的同步电机转子绕组匝间短路故障诊断方法
Xing et al. Multi-sensor signals with parallel attention convolutional neural network for bearing fault diagnosis
Huang et al. Prognostics and health management for induction machines: a comprehensive review
Ribeiro et al. Rotating machinery fault diagnosis using similarity-based models
Bach-Andersen et al. Scalable systems for early fault detection in wind turbines: a data driven approach
CN117407784B (zh) 面向传感器数据异常的旋转机械智能故障诊断方法及系统
Saha et al. Enhancing Bearing Fault Diagnosis Using Transfer Learning and Random Forest Classification: A Comparative Study on Variable Working Conditions
Hu et al. Research on fault diagnosis of rolling bearing based on multi-sensor bi-layer information fusion under small samples

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