基于算法展开对抗学习的机械异常可解释智能检测方法

1.本发明属于机械异常诊断技术领域，特别是一种基于算法展开对抗学习的机械异常可解释智能检测方法。


背景技术：

2.异常检测是一种发现数据中的不符合预期行为的模式的技术，它在工程问题中有着极为广泛的应用。在设备预测与健康管理(phm)中进行异常检测有助于人们及时发现设备的异常状态，并在重大事故发生前采取关键措施，从而保证人身财产安全。因此，进行精确可靠的机械异常检测对于保证关键设备的安全运行具有十分重要的意义。
3.传统的异常检测技术，如主成分分析法(pca)、一类支持向量机(one-class svm)、k-近邻算法(k-nn)、随机森林等具有清晰的理论框架，检测结果具有明确的可解释性。然而，面对高维复杂信号，它们的检测精度可能会因为有限的学习能力而下降。随着基于人工神经网络(ann)的智能算法(如深度学习、对抗学习等)的极大发展，异常检测算法从高维数据中学习低维非线性表示成为可能。典型的基于神经网络的异常检测算法，如变分自编码器(vae)，对抗自编码器(aae)以及ganomaly，大多使用网络进行编码和解码。而机械异常检测任务通常以含有大量噪声的振动信号作为输入，在这种情况下，许多基于网络的算法的结果可能是可疑的。因为这些算法通常被构造为黑盒，使用者只接触得到输入和输出，它们的可解释性不明确，不能保证它们对噪声信号进行了有意义的编码。因此，研究算法的可解释性对于提高异常检测的可信度至关重要。
4.机器学习算法的可解释性通常可以分为两大类：一种是事前可解释性建模，它表示使用固有的可解释性技术来建模特定的问题，因此可以得到一个具有可解释性结构的模型；另一个是事后可解释性分析，它指的是开发技术来解释已经训练好的模型，通常涉及许多可视化方法。这两种类型的可解释性都可以提高算法的可信度。算法展开是一种构造网络的有效方法，在理论研究和实际应用中发展迅速。通常我们在迭代尺度上展开模型的求解算法，生成一个网络，并允许其中的超参数以网络的方式更新。算法展开基于一个特定的模型，其具有事前可解释性，而部分模型本身存在重构机制，这又提供了事后可解释性，因而算法展开在构建可解释性更好的网络方面具有很大的潜力。目前仍需要一种基于算法展开的可解释异常检测方法。
5.在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。


技术实现要素：

6.针对现有技术中存在的问题，本发明提出一种基于算法展开对抗学习的机械异常可解释智能检测方法，基于概率推断，把求解特征信号分布的问题转化为从数据分布编码到隐编码分布，再解码到特征分布；编码过程使用深度稀疏编码，并将模型的求解算法展开为网络，借助对抗训练策略约束隐编码分布；判别器通过判断输入信号是否服从正常分布
来检测其状态；由于网络主体由特定模型的优化求解算法展开，其结构具有可解释性，即具有事前可解释性。而结果分析中可视化依据于稀疏表示模型的可重构性，通过重构输入信号与查看原子特征使结果具有可解释性，即具有事后可解释性。
7.本发明的目的是通过以下技术方案予以实现，一种基于算法展开对抗学习的机械异常可解释智能检测方法包括：
8.第一步骤中，采集机械设备正常运行的振动信号y，将其按照固定的信号长度裁剪为训练数据集；
9.第二步骤中，建立深度稀疏编码模型，对振动信号y进行深度编码，再映射到d维隐编码z；
10.第三步骤中，使用近端梯度映射算法求解所述深度稀疏编码模型，并将优化求解算法展开为稀疏编码网络，从隐编码z到原始信号的重构为解码网络，两者共同构成生成器网络g，构造判别器网络d对隐编码z的分布进行约束，匹配先验分布p(z)；
11.第四步骤中，通过设定固定的循环次数，使用所述训练数据集训练所述生成器网络g和判别器网络d，利用反向传播技术更新网络参数，降低网络对振动信号的重构误差及编码分布p(z|y)与先验分布p(z)的差距；
12.第五步骤中，将测试信号输入训练好的生成器网络g中，通过判别器网络d输出信号的真伪，以判断机械设备正常还是异常。
13.所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第六步骤(s6)中，将测试信号输入训练好的生成器网络g中以重构整体特征并查看各等效层的原子特征d
(1，j)
＝d1d2…dj
，j＝1，2，...，l的卷积核，以进行事后分析。
14.所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第一步骤(s1)信号，为噪声干扰，n为信号长度，所述振动信号通过加速度传感器采集。
15.所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第二步骤中，所述深度稀疏编码模型为：
[0016][0017]
其中，为求解的深层稀疏编码，l为编码层数，di为第i层的编码字典，γi为第i层的编码值，i＝1，2，...，l，d
(i，l)
＝d
idi+1
…dl
为多层编码字典相乘的等效字典，||
·
||1表示l1范数，为l2范数的平方，深度稀疏编码模型中，第一项为保证从深层稀疏编码能重构输入的振动信号y的特征数据的保真项，其余项为保证各层编码是稀疏的稀疏正则项，λi为数据保真项与稀疏正则项间的权衡参数。
[0018]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，各层编码字典与编码之间满足：
[0019]
[0020]
其中，ti为第i层的稀疏度约束常量，i＝1，2，...，l，γi为各层的稀疏编码值，因此有d
(i，l)
γ
l
＝γ
i-1
，x＝γ0为理想的原始特征信号。
[0021]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，编码字典为卷积字典，mi为卷积核的个数，其中，为由长度为ni的第j个卷积核沿列方向平移构成的循环矩阵，j＝1，2，...，mi.
[0022]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第三步骤中，深度稀疏编码模型的近端梯度映射算法为：
[0023]
初始化各层编码值，使得其中k＝0，1，...，k，k为算法迭代次数；i＝0，1，...，l；
[0024]
对于每次迭代k＝0，1，...，k，依次求解各层i＝0，1，...，l的编码值，求解公式如下：
[0025][0026]
输出深层稀疏编码值
[0027]
其中，soft
t
(
·
)为软阈值函数，其表达式为soft
t
(
·
)＝max(|
·
|-t，0)*sign(
·
)，sign(
·
)为符号函数，t为阈值，在第i层中，t＝μiλi，μi为近端梯度映射算法每一步迭代的步长。
[0028]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，深度稀疏编码模型中，编码字典di与向量相乘等同于转置卷积网络层，与向量相乘等同于卷积网络层，软阈值函数为层间的激活函数。
[0029]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第三步骤(s3)中，使用两个编码矩阵d
μ
，d
σ
分别得到编码分布p(z|y)的均值和标准差向量，使用编码矩阵d
γ
重构深层编码重构深层编码其中为原始特征信号x的估计值。先验分布p(z)为独立高斯分布，对抗训练策略使用的判别器网络d为全连接网络，其激活函数选择为leakyrelu。
[0030]
所述的基于算法展开对抗学习的机械异常可解释智能检测方法中，第四步骤中，对抗训练的损失函数定义为：
[0031][0032][0033]
其中表示对y和z求期望值，为生成器网络g的损失函数，为判别器网络d的损失函数，f(
·
)表示判别器网络d，ge为生成器网络g中的编码器部分，生成器损失函数的构成中，为对抗损失，用以评判编码分布p(z|y)与先验分布p(z)的差距，为重构损失，w
adv
与w
con
为调整两者比例的参数，对抗损失和重构损失的定义如下：
[0034][0035]
其中表示对y求期望值。
[0036]
和现有技术相比，本发明具有以下优点：本发明通过构建具有深层编码模型，将其展开为网络，并结合对抗训练策略，可快速且有效地实现异常状态的识别，能够提高异常检测的准确性和可靠性，其在结构和结果两个方面均具有可解释性的特点，有利于对机械设备进行安全、可靠、透明的故障预测与健康管理。
附图说明
[0037]
通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述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。而且在整个附图中，用相同的附图标记表示相同的部件。
[0038]
在附图中：
[0039]
图1是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法的步骤示意图；
[0040]
图2是本发明一个实施例的关于千鹏齿轮试验台的示意图；
[0041]
图3(a)至图3(h)是本发明一个实施例的正常状态与异常状态的信号时域振动图，图3(a)正常状态信号，图3(b)1mm单边裂纹异常状态信号，图3(c)2mm单边裂纹异常状态信号，图3(d)1mm双边裂纹异常状态信号，图3(e)3mm单边裂纹异常状态信号，图3(f)4mm单边裂纹异常状态信号，图3(g)0.5mm单边磨损异常状态信号，图3(h)0.5mm双边磨损异常状态信号；
[0042]
图4是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法的网络结构图；
[0043]
图5是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法与其他方法的性能(包括检出率、虚警率、auc面积、f1分数和准确度)对比；
[0044]
图6(a)至图6(d)是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法与其他方法对正常与异常状态区分能力对比的示意图；
[0045]
图7(a)至图7(d)是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法与其他方法对正常信号的重构结果；
[0046]
图8是本发明一个实施例的基于算法展开对抗学习的机械异常可解释智能检测方法的学习到的原子特征示意图。
[0047]
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
[0048]
下面将参照附图1至图8更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范
围完整的传达给本领域的技术人员。
[0049]
需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。
[0050]
为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。
[0051]
为了更好地理解，如图1至图8所示，基于算法展开对抗学习的机械异常可解释智能检测方法包括，
[0052]
第一步骤s1中，采集机械设备正常运行的振动信号y，将其按照固定的信号长度裁剪为训练数据集；
[0053]
第二步骤s2中，建立深度稀疏编码模型，对信号y进行深度编码，再映射到d维隐编码z；
[0054]
第三步骤s3中，使用近端梯度映射算法求解建立的深度稀疏编码模型，并将优化求解算法展开为稀疏编码网络，从隐编码z到原始信号的重构为解码网络，两者共同构成生成器网络g，构造判别器网络d对隐编码z的分布进行约束，匹配先验分布p(z)；
[0055]
第四步骤s4中，使用采集的正常样本训练构建的对抗生成网络模型，利用反向传播技术更新网络参数，降低网络对信号的重构误差及编码分布p(z|y)与先验分布p(z)的差距；
[0056]
第五步骤s5中，将测试信号输入训练好的网络中，通过判别器网络d输出信号的真伪，即属于正常还是异常；
[0057]
第六步骤s6中，对重构信号的整体特征和网络学习到的原子特征进行查看，进行事后可解释性分析。
[0058]
所述的方法的优选实施方式中，第一步骤s1中，所述振动信号可分解为y＝x+ε，其中，为特征信号，为噪声干扰，n为信号长度，振动信号通过加速度传感器采集。
[0059]
所述的方法的优选实施方式中，第二步骤s2中，建立的深度稀疏编码模型为：
[0060][0061]
其中，为求解得的深层稀疏编码，l为编码层数，di为第i层的编码字典，γi为第i层的编码值，i＝1，2，...，l，d
(i，l)
＝d
idi+1
…dl
为多层编码字典相乘的等效字典。||
·
||1表示l1范数，为l2范数的平方。
[0062]
深度稀疏编码模型中，第一项为数据保真项，保证从深层稀疏编码能重构输入信号y的特征；其余项为稀疏正则项，保证各层编码是稀疏的。λi为数据保真项与稀疏正则项间的权衡参数。
[0063]
所述的方法的优选实施方式中，各层编码字典与编码之间满足：
[0064][0065]
其中，ti为第i层的稀疏度约束常量，i＝1，2，...，l，γi为各层的稀疏编码值。因此有d
(i，l)
γ
l
＝γ
i-1
，规定x＝γ0为理想的原始特征信号。
[0066]
所述的方法的优选实施方式中，编码字典为卷积字典，mi为卷积核的个数。其中，为由长度为ni的第j个卷积核沿列方向平移构成的循环矩阵，j＝1，2，...，mi。
[0067]
所述的方法的优选实施方式中，第三步骤s3中，深度稀疏编码模型的近端梯度映射求解算法为：
[0068]
初始化各层编码值，使得其中k＝0，1，...，k，k为算法迭代次数；i＝0，1，...，l；
[0069]
对于每次迭代k＝0，1，...，k，依次求解各层i＝0，1，...，l的编码值，求解公式如下：
[0070][0071]
输出深层稀疏编码值上述算法构成稀疏编码网络的主体结构。
[0072]
其中，soft
t
(
·
)为软阈值函数，其表达式为soft
t
(
·
)＝max(|
·
|-t，0)*sign(
·
)，sign(
·
)为符号函数，t为阈值，在第i层中，t＝μiλi，μi为近端梯度映射算法每一步迭代的步长。
[0073]
所述的方法的优选实施方式中，在稀疏编码网络中，di与向量相乘等同于转置卷积网络层，与向量相乘等同于卷积网络层，软阈值函数为层间的激活函数。
[0074]
所述的方法的优选实施方式中，第三步骤s3中，使用两个编码矩阵d
μ
，d
σ
分别得到隐编码分布p(z|y)的均值和标准差向量，使用编码矩阵d
γ
重构深层编码由于稀疏表示框架的可重构性，从深层编码到特征信号的重构过程无需另搭建网络，其中为原始特征信号x的估计值。先验分布p(z)为独立高斯分布，对抗训练策略使用的判别器网络d为全连接网络，其激活函数选择为leakyrelu。
[0075]
所述的方法的优选实施方式中，第四步骤s4中，对抗训练的损失函数定义为：
[0076][0077][0078]
其中表示对y和z求期望值，为生成器的损失函数，为判别器的损
失函数，f(
·
)表示判别器网络，ge为生成器网络中的编码器部分。生成器损失函数的构成中，为对抗损失，用以评判后验分布p(z|y)与先验分布p(z)的差距，为重构损失，用以使生成信号与原始信号足够接近，w
adv
与w
con
为调整两者比例的参数。对抗损失和重构损失的定义如下：
[0079][0080][0081]
其中表示对y求期望值。
[0082]
所述的方法的优选实施方式中，第六步骤s6中，对已经完成训练的网络模型，输入测试集信号，重构整体特征并查看各等效层的原子特征，即d
(1，j)
＝d1d2…dj
，j＝1，2，...，l的卷积核，进行事后可解释性分析。
[0083]
为了进一步理解本发明，在一个实施例中，图1为基于算法展开对抗学习的机械异常可解释智能检测方法的步骤示意图，包括以下步骤：
[0084]
s1：采集机械设备正常运行的振动信号y，将其按照固定的信号长度裁剪为训练数据集；
[0085]
s2：建立深度稀疏编码模型，对信号y进行深度编码，再映射到d维隐编码z；
[0086]
s3：使用近端梯度映射算法求解建立的深度稀疏编码模型，并将优化求解算法展开为稀疏编码网络，从隐编码z到原始信号的重构为解码网络，两者共同构成生成器网络g，构造判别器网络d对隐编码z的分布进行约束，匹配先验分布p(z)；
[0087]
s4：通过设定固定的循环次数，使用所述训练数据集训练所述生成器网络g和判别器网络d，利用反向传播技术更新网络参数，降低网络对信号的重构误差及编码分布p(z|y)与先验分布p(z)的差距；
[0088]
s5：将测试信号输入训练好的网络中，通过判别器网络d输出信号的真伪，即属于正常还是异常；
[0089]
s6：对重构信号的整体特征和网络学习到的原子特征进行查看，进行事后可解释性分析。
[0090]
上述实施例构成了本发明的完整技术方案，与现有技术不同，上述实施例所搭建的异常智能检测网络的结构是由深层稀疏编码模型的求解算法展开而成，并借助对抗训练的策略来约束隐编码分布。该模型能够继承传统模型的可解释性，同时利用网络训练来更好地挖掘正常状态信号特征，提高机械异常检测的精度与可靠性。
[0091]
图2是千鹏齿轮实验台的示意图，该试验系统主要由变速驱动电机、平行轴齿轮箱、轴、调速器等组成，通过组件的有机组合快速模拟各种故障。测试系统包括电涡流加速度传感器、激光转速传感器键相信号、premax亿恒数据采集系统、thinkpad联想笔记本。使用其进行斜齿轮磨损和裂纹故障模拟实验，其中斜齿轮的参数为：齿轮齿数输入轴齿轮z1＝53，输出轴齿轮z2＝75，模数m＝2，齿宽b＝20mm，螺旋角β为10.0633
°
。总共1种正常状态，7种故障状态1、2、3、4mm深度单齿裂纹，2mm深度多齿裂纹，0.5mm深度单齿均匀磨损，0.5mm深度多齿均匀磨损的数据被采集。
[0092]
在本实施例中，步骤s1中，所诉振动信号通过电涡流加速度传感器采集，输入轴的
转速为1000r/min，采样频率为10240hz，采样时长为1.28min，使用窗长为1024个点的窗以0.8的滑窗比对信号进行截取，得到正常与异常所有故障状态的数据样本。设置正常样本与异常样本的比例为5∶1，训练样本与测试样本的比例为1∶1，最终得到3090个正常样本用于训练，3090个正常样本及1159个异常样本用于测试。图3(a)至图3(h)所示为正常运行状态与异常运行状态下的振动信号时域波形图。
[0093]
在本实施例中，步骤s2中，建立4层的深度编码模型：
[0094][0095]
对输入信号进行深度编码，再利用两个权值矩阵d
μ
，d
σ
变换到10维隐编码z。解码部分，首先从用权值矩阵d
γ
将低维隐编码恢复为深层编码然后根据稀疏表示的重构特性，对输入信号进行重构：
[0096][0097]
二者构成自编码器，也即生成对抗网络中的生成器部分。
[0098]
在本实施例中，步骤s3中，通过对深度稀疏编码模型进行展开，得到的稀疏展开网络能够端到端的学习模型中的众多参数，其中对于模型内在的参数设置见表2。借助对抗训练的策略，使隐编码服从于一个设定的高斯先验分布，这一部分通过一个鉴别器实现。网络的整体结构如图4所示。
[0099]
表2算法展开对抗学习网络的结构参数
[0100]
[0101][0102]
在本实施例中，步骤s4中，使用pytorch实现算法展开对抗学习异常智能检测网络aau-net，将正常状态的样本输入网络，生成器更新时减小重构误差，同时使判别器将后验分布与先验分布判为真与伪，判别器更新时使自身将后验分布与先验分布判为伪与真，实现对抗训练。在训练过程中，设置网络训练的参数为：对抗损失与重构损失的权值为w
adv
＝
0.001，w
con
＝0.999，迭代15次，每次迭代过程使用批量大小为64个样本，生成器的学习率为5e-4，判别器的学习率为2e-4，优化器为adam，优化器的动量的两个指标分别为0.5和0.999，生成器每更新5次后再更新一次判别器。
[0103]
在本实施例中，步骤s5中，将测试样本输入算法展开对抗学习异常检测网络，通过深度稀疏编码与到低维隐空间的映射，最后由判别器判断样本的隐编码是否服从于正常分布，实现异常检测的目的。与其他基于神经网络的异常检测方法进行对比实验，进一步说明本发明的技术方案。图5为各种方法在千鹏齿轮数据上的检出率、虚警率、auc面积、f1分数和准确度的对比，可以看到，本方法具有最高的检出率、虚警率、auc面积和f1分数以及最低的虚警率，优于其他方法。同时，各种方法对正常和异常数据的区分能力通过判别器对所有测试数据的评分结果体现，如图6(a)至图6(d)所示，本方法不能能够从异常得分分值上成功地把正常和异常状态区分开，而且两类数据的分布类内更加集中，类间更加分离。
[0104]
在本实施例中，步骤s6中，利用稀疏表示框架的可重构性，通过重构输入信号以及查看学习得到的字典原子进行事后可解释性分析。使用正常样本进行训练，稀疏展开网络学习到正常运行数据的特征，故能对正常样本进行很好的重构，图7(a)至图7(d)为本方法aau-net及其他方法的整体信号重构结果，由于含有自编码器的结构，所有方法均有一定的重构能力，但本方法的重构结果含噪更少，更能体现输入信号的特征。从本方法训练好的网络中提取出各级等效字典原子，如图8所示。前两级字典卷积核长度还很短，只学习到一些局部特征，而第三、第四级等效字典原子的卷积核长度已经能够覆盖构成信号的基本特征，其中包含二倍转频特征与六倍转频特征。
[0105]
尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。