样本不均衡下基于生成对抗网络的转动部件故障诊断方法

1.本发明属于神经网络技术领域，尤其涉及样本不均衡下基于生成对抗网络的转动部件故障诊断方法。


背景技术：

2.旋转机械中包含滚动轴承，齿轮，电机转子等部件，在现代工业中得到广泛应用，任一部件故障会导致严重的安全性损失和巨大的维护成本。在过去的几十年里，人们进行了大量的研究来开发有效的故障诊断方法。基于信号处理和浅层机器学习的传统智能故障诊断方法在20世纪80年代至21世纪10年代开始流行，能够解决高不确定性和低计算复杂度的问题，代替了依靠专家经验的诊断方法。但是，随着现代智能工业化的快速发展，传统智能故障诊断方法面临诸多难题无法解决。如无法处理庞大的采集数据，难以应对复杂多变的实际工业环境以及泛化能力和自学习能力差，无法满足低成本传感器的广泛应用和工业互联网的普及对工业数据的需求。近几年，随着计算机运算能力的大幅提高，为深度学习的广泛发展和应用奠定了基础，逐渐消除了传统故障诊断算法的局限性。基于深度学习的端到端智能故障诊断算法避免了人工特征工程，解决了分阶段训练和误差传播的关键问题。
3.一般来说，深度学习网络的智能诊断模型往往建立在充分的机器监控数据分析基础上的。训练数据越充分，训练集中的故障类型越丰富，智能诊断模型的诊断精度就越高。然而，在现实工程场景中，机器通常在正常条件下工作，很少出现故障。尽管由多个传感器组成的状态监测系统可以不断地从机器中收集数据，但所收集的数据大部分是健康数据，故障数据量很小。在这种情况下，如果直接用有限的故障数据训练智能诊断模型，容易出现泛化性能差、故障识别准确率低的问题。


技术实现要素：

4.为解决上述技术问题，本发明提出样本不均衡下基于生成对抗网络的转动部件故障诊断方法，通过构建改进深度卷积生成对抗网络和密集连接卷积神经网络的故障诊断模型，并将其应用在轴承、齿轮和电机转子故障诊断中。该方法能够更好地提取转动部件的数据特征并且更充分地利用数据特征，具有更好的分类能力。
5.为实现上述目的，本发明提供了样本不均衡下基于生成对抗网络的转动部件故障诊断方法，包括如下步骤：
6.获得带有不同健康状态标签的不均衡样本序列；
7.基于重叠采样的方法，将所述不均衡样本序列划分为若干段振动信号；
8.利用小波连续变换方法，将划分的振动信号转化为二维时频图像，基于所述二维时频图像，获得不均衡样本数据集；
9.构建改进深度卷积生成对抗网络；
10.基于所述不均衡样本数据集对所述改进深度卷积生成对抗网络进行训练；
11.基于训练后的所述改进深度卷积生成对抗网络，获得故障数据；
12.将所述故障数据补充到所述不均衡样本数据集中，获得均衡数据集；
13.构建改进密集块的密集连接卷积神经网络；
14.基于所述均衡数据集对所述改进密集块的密集连接卷积神经网络进行训练；
15.基于训练后的所述改进密集块的密集连接卷积神经网络，完成转动部件故障分类。
16.可选地，获得带有不同健康状态标签的不均衡样本序列的方法为：
17.采集机械设备某一转动部件不同位置的振动信号；
18.对不同工况下的所述振动信号标记对应的健康和故障类别标签，构成带有不同健康状态标签的不均衡样本序列。
19.可选地，机械设备转动部件为滚动轴承、齿轮和电机转子。
20.可选地，所述振动信号为转动部件的位移、速度和加速度信号。
21.可选地，构建改进深度卷积生成对抗网络的方法为：
22.生成器部分：随机噪声作为输入，第一层全连接层,接入批归一化层，之后接入三层反卷积层，卷积核大小为3
×
3，步长为1，激活函数为relu，之后连接池化层，所述池化层为均值池化层，所述反卷积层和所述池化层之后引入全局上下文网络，最终输入伪造故障样本；
23.判别器部分：将真实样本和所述生成器部分生成的样本作为输入，接入四层卷积层，卷积核大小为3
×
3，步长为2，激活函数为leakyrelu，之后连接池化层，所述池化层为均值池化层，之后接入全连接层，激活函数为sigmoid，最终输出判别输入样本的真伪。
24.可选地，对所述改进深度卷积生成对抗网络进行训练的方法为：
25.基于所述不均衡数据集，采用矫正自适应动量估计radam优化算法，完成对所述改进深度卷积生成对抗网络的训练。
26.可选地，所述均衡数据集包括：训练集和测试集。
27.可选地，构建改进密集块的密集连接卷积神经网络的方法为：
28.第一层为卷积层，卷积核大小为3
×
3，步长为1，后连接池化层，池化层为均值池化层；
29.第一层卷积层和池化层之后连接改进密集块，改进密集块内部链路为bn层和卷积层，卷积核为1
×
1，步长为1，之后连接bn层和卷积核为3
×
3，步长为1的卷积层，再之后连接风格再校准模块；所述改进密集块结构由7个所述改进密集块内部链路使用密集连接的方式组成；
30.依次连接3个所述改进密集块，所述改进密集块之间过渡层由bn层、卷积核为1
×
1，步长为1的卷积层和池化层组成；
31.网络尾端连接全连接层。
32.可选地，对所述改进密集块的密集连接卷积神经网络进行训练的方法为：
33.基于所述训练集，采用自适应动量估计adam优化算法，完成对所述改进密集块的密集连接卷积神经网络的训练。
34.可选地，完成故障分类的方法为：
35.将所述训练集输入所述改进密集块的密集连接卷积神经网络进行迭代训练，将所述测试集输入到训练完成的所述改进密集块的密集连接卷积神经网络中，得到诊断结果，
完成转动部件故障分类。
36.与现有技术相比，本发明具有如下优点和技术效果：
37.1、本发明提出的改进深度卷积生成对抗网络的故障数据生成模型，主要是将深度卷积生成对抗网络模型的生成器网络结合全局上下文网络来改进生成器卷积操作，在判别器网络中使用谱归一化层代替的批量标准化层。解决了生成对抗网络不能很好地重构滚动轴承故障样本的图像信息以及判别器在训练过程中存在不稳定的问题。
38.2、本发明提出的结合风格再校准模块的密集连接卷积神经网络智能故障诊断神经网络模型。通过对特征图进行重新加权以及特征复用，避免有效信息缺失，降低了无关信息的干扰，增强模型对故障特征的提取能力。解决了传统故障诊断中浅层特征对振动信号故障信息表征能力不足的问题。
39.3、本发明提出的改进深度卷积生成对抗网络和密集连接卷积神经网络的故障诊断模型与传统的卷积神经网络模型相比，本发明能够更好地提取转动部件的数据特征并且更充分地利用数据特征，具有更好的分类能力。
附图说明
40.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
41.图1为本发明实施例一中改进深度卷积生成对抗网络的总体结构图；
42.图2为本发明实施例一中改进深度卷积生成对抗网络的生成器结构图；
43.图3为本发明实施例一中全局上下文网络结构图；
44.图4为本发明实施例一中改进深度卷积生成对抗网络的判别器结构图；
45.图5为本发明实施例一中改进密集连接卷积神经网络的总体结构图；
46.图6为本发明实施例一中改进密集连接卷积神经网络的改进密集块结构图；
47.图7为本发明实施例一中改进深度卷积生成对抗网络和密集连接卷积神经网络故障诊断基本流程图；
48.图8为本发明实施例二中原始样本、深度卷积生成对抗网络生成样本和本发明改进深度卷积生成对抗网络生成样本的对比图；
49.图9为本发明实施例二中深度卷积生成对抗网络与本发明改进深度卷积生成对抗网络九种故障生成样本的ssim值对比图；
50.图10为本发明实施例二中深度卷积生成对抗网络与本发明改进深度卷积生成对抗网络九种故障生成样本的psnr值对比图。
具体实施方式
51.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
52.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
53.实施例1
54.如图1-7所示，本发明公开了样本不均衡下基于生成对抗网络的转动部件故障诊断方法，包括以下步骤：
55.(1)采集机械设备某一转动部件不同位置的振动信号，按照不同工况下的振动信号标记对应的健康或故障类别标签，构成带有不同健康状态标签的不均衡样本序列。其中，机械设备转动部件为滚动轴承、齿轮或电机转子。振动信号为转动部件的位移、速度或加速度信号。带有不同健康状态标签的不均衡样本序列，其中的不同健康状态标签是指转动部件的不同故障类型和正常状态，其中的不均衡样本序列是指数据量充足的正常状态样本和数据量不足的故障状态样本。
56.(2)将步骤(1)中的每种健康状态的样本序列划分成用重叠采样的方法划分为多段信号。
57.(3)利用小波连续变换将划分后的原始振动信号转化为二维时频图像，基于二维时频图像，获得不均衡样本数据集，将不均衡样本数据集进行多数正常数据和少数故障数据划分。
58.(4)构建改进深度卷积生成对抗网络(dg-gan)，将生成器与全局上下文网络(gc-net)相结合，增强卷积操作的特征提取能力，建立故障特征和整体信号特征之间的依赖关系，便于获取更有用的故障特征。在判别器网络中，使用谱归一化层代替的批归一化层，利用谱归一化方法对加权矩阵进行归一化，将鉴别器的梯度限制在一定范围内，解决训练过程中干扰因素，使判别器在训练中更加稳定。
59.其中构建改进深度卷积生成对抗网络的具体步骤如下：
60.(4.1)生成器部分，随机噪声作为输入，第一层全连接层,接入批归一化层，之后接入三层反卷积层，卷积核大小为3
×
3，步长为1，激活函数为relu，后连接池化层，池化层为均值池化层或最大值池化层。反卷积层和池化层之后引入全局上下文网络，最终输入伪造故障样本。
61.(4.2)判别器部分，将真实样本和步骤(4.1)中的生成器所生成的样本作为输入，接入四层卷积层，卷积核大小为3
×
3，步长为2，激活函数为leakyrelu，后连接池化层，池化层为均值池化层或最大值池化层。之后接入全连接层，激活函数为sigmoid，最终输出判别输入样本的真伪。
62.(4.3)最终在持续的训练中，生成器试图生成足够的样本来欺骗判别器，判别器试图识别所有样本的真实性。生成对抗网络的两个部分在不断的对抗博弈中，不断优化自身的模型，使最终完成训练的生成器可以通过任何的输入生成最接近真实样本的人工样本。
63.(5)将步骤(3)中的少数故障数据输入到步骤(4)中的生成对抗网络模型进行训练，使模型达到纳什均衡，然后生成假的故障数据。在模型训练中采用矫正自适应动量估计radam优化算法进行优化，批量大小不小于16，迭代次数不小于200。
64.(6)将生成的故障数据补充到不均衡数据集中，得到正常状态和故障状态均衡的数据集。并将扩展后的均衡数据集划分训练集和测试集。
65.(7)构建改进密集块的密集连接卷积神经网络，在密集块中引入风格再校准，通过从每个通道中提取信息，然后估计每个通道的重新校准权重，增强通道间的相关性以获取更丰富的特征信息。
66.其中构建改进密集连接卷积神经网络的具体步骤如下：
67.(7.1)第一层为卷积层，卷积核大小为3
×
3，步长为1，后连接池化层，池化层为均值池化层或最大值池化层。
68.(7.2)卷积层和池化层之后连接改进密集块，密集块内部链路为bn层和卷积层，卷积核为1
×
1，步长为1，之后连接bn层和卷积核为3
×
3，步长为1的卷积层，在之后连接风格再校准模块。密集块结构由7个上面所提部分使用密集连接的方式组成。
69.(7.3)依次连接3个改进密集块，密集块之间过渡层由bn层、卷积核为1
×
1，步长为1的卷积层和池化层组成。
70.(7.4)网络尾端连接全连接层，最终将之前的特征输入到softmax分类器，实现故障分类。
71.(8)将步骤(6)中的训练数据集输入到步骤(7)中的神经网络模型进行迭代训练。在模型训练中采用自适应动量估计adam或随机梯度下降sgd优化算法进行优化，批量大小不小于64，迭代次数不小于200，训练完后的模型参数不变。
72.(9)将步骤(6)中的测试数据集输入到训练完成的改进的密集连接卷积神经网络模型中，得到诊断结果。
73.下列通过实施例二来验证改进深度卷积生成对抗网络生成故障样本的质量，具体分析如下：
74.实施例二
75.如图8所示为原始样本、深度卷积生成对抗网络生成样本和改进深度卷积生成对抗网络生成样本的对比图。将引入结构相似度指数(ssim)和峰值信噪比(psnr)两个评价指标来对生成图像质量进行客观评价。
76.ssim侧重于从亮度、对比度和结构三个方面来度量图像特征的相似性。研究表明，与psnr相比，ssim具有更高的视觉可靠性。一般来说，ssim一般位于0到1之间。ssim越大，生成图像与训练图像之间的差距越小，即图像的质量越好。当两幅图像完全相同时，ssim指标为1。
77.psnr一般用来测量像素差异造成的图像失真。psnr值越大，表明生成的图像质量越高。
78.如图9和图10所示，分别为深度卷积生成对抗网络和改进深度卷积生成对抗网络两种模型的ssim值和psnr值对比图。
79.下列通过实施例三来验证一种改进深度卷积生成对抗网络和密集连接卷积神经网络模型在轴承故障诊断应用的有效性能，具体分析如下：
80.在实施例三的试验中，数据集分别应用美国凯斯西储大学对本发明改进深度卷积生成对抗网络和密集连接卷积神经网络模型在旋转机械中的应用及进行验证，试验代码通过python3.6和pytorch进行编写，并在pycharm2019.3和windows下运行。
81.实施例三
82.为了验证本发明提出的有效性，实施例三通过美国凯斯西储大学数据集对改进深度卷积生成对抗网络和密集连接卷积神经网络模型进行实验验证。
83.数据集
84.实验数据选择美国凯斯西储大学(case western reserve university，cwru)的滚动轴承数据集，数据来源于电机驱动端的轴承故障数据，因为与风扇端相比，驱动端采集
的数据更接近真实情况，电机驱动端的负载更大。安装在驱动器上的传感器以12khz的采样频率收集故障数据。滚动轴承以1797rpm运行。故障形式为由电火花加工引起的人工单点故障缺陷。在研究过程中，选择了三种不同类型的故障，包括内圈故障(ir)、外圈故障(or)和滚动体故障(b)。此外，每种故障类型包括三种不同的故障直径，分别为0.007、0014和0.021英寸(1英寸＝2.54厘米)。故障直径反映了故障的严重程度。故障直径越大，故障越严重。因此，本实施例的实验数据共包含10种健康状态(包括正常状态(nc))，被标记为nc、b007、b014、b021、ir007、ir014、ir021、or007、or014和or021。
85.为了研究数据分布不均匀程度对滚动轴承故障最终诊断结果的影响，本实验构建了五个不同不均衡样本的数据集，按照多数正常样本与少数故障样本的比例划分，不平衡比例分别为2:1，5:1，10:1，20:1，50:1。代表了从轻微缺少故障样本到极端缺少故障样本的五种情况。具体信息如下表表1样本不均衡数据集所示。
86.表1
[0087][0088]
故障仿真结果
[0089]
本发明所提出的改进深度卷积生成对抗网络和密集连接卷积神经网络的故障诊断模型(gc-dcgan+srmdensenet)，使用该模型与未进行数据增强的改进密集连接卷积神经网络模型、dcgan结合cnn模型与dcgan结合改进密集连接卷积神经网络模型进行对比，以此来证明本文所提模型在数据生成以及故障诊断能力。四种深度学习网络模型在五种不同均衡比下的故障诊断准确率如表2样本不均衡下模型诊断率所示。
[0090]
表2
[0091]
[0092][0093]
通过表2可以看出，在没有数据增强的情况下，srmdensenet模型在不平衡比为2:1时诊断准确率可以达到84.1％，说明在故障样轻微缺少的情况下，本实施例的模型仍然可以取得较好的诊断效果。但是随着不平衡比例的进一步扩大，诊断精度逐渐降低，在不平衡比例为50:1的极端不均衡情况下，srmdensenet模型只能取得27.2％的诊断效果，这也证明了在极度缺乏样本训练的情况下，网络模型的准确性难以得到保证。引入dcgan模型作数据增强之后，dcgan+cnn模型相较于未进行数据增强的模型在五个不平衡比例下都有提升，特别是在极端不均衡情况下的诊断准确率增长明显。证明了使用数据增强的方法可以有效的解决不均衡样本问题。使用dcgan模型对模型srmdensenet进行数据增强，可以看出，模型凭借对故障特征进一步提取和特征的高效传递，诊断结果明显优于数据增强后的cnn模型。最后使用本实施例所提出的gc-dcgan模型进行数据增强，结合网络诊断模型进行诊断。由于所提模型可以生成更加接近原始故障样本的高质量人工样本，且srmdensenet模型具有优越的诊断性能。最终在五个不平衡比例下的故障诊断准确率都达到了80％以上。即使是在极端不均衡的情况下，也可以取得很出色的诊断结果。
[0094]
以上，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。