[发明专利]一种小样本下印刷机滚筒故障的智能诊断方法

权利要求书

1.一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，具体按照以下步骤实施：

步骤1、采集印刷机滚筒各种运行状态下的振动信号，并对振动信号组成的振动数据集合进行一维归一化预处理得到样本集；

步骤2、构建包含条件信息的生成器与判别器相结合的条件生成对抗网络模型；

步骤3、将样本集通过批次样本训练的方式训练条件生成对抗网络模型，优化模型参数，进而生成数据以扩充样本集得到扩充样本集；

步骤4、对扩充样本集进行二维预处理，从而将扩充后的一维样本数据转化成二维灰度图；

步骤5、构建二维卷积神经网络模型；

步骤6、训练二维卷积神经网络模型，模型参数优化后即可实现小样本下印刷机滚筒故障的智能诊断。

2.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤1具体为，通过在印刷机滚筒关键位置布置传感器测量得到滚筒的振动信号，并对采集到的信号进行一维归一化预处理，其计算公式为：

式中，x(k)表示采样样本中的第k个数据，x_min和x_max表示采集的振动信号的最大值和最小值，为一维归一化预处理后的第k个数据。

3.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤2具体为，根据不同故障类别引入one-hot标签信息作为条件信息同随机噪声输入生成器中，从而输出生成的振动信号样本；将一维归一化预处理后的真实振动信号样本和生成器生成的样本输入判别器中，从而输出生成样本属于真实样本的概率；条件生成对抗网络模型中生成器由三层全连接层组成，每层的神经元分别为256，512和1024；判别器由三层全连接层组成，每层的神经元分别为512，256和128；生成器和判别器的输出层的激活函数分别为tanh函数和sigmoid函数，其余层的激活函数为LeakyReLu函数。

4.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤3具体为，每次选取120个样本进行训练，每个样本的信号长度为784，先初始化判别器和生成器的参数，生成器生成样本后固定生成器，训练判别器；对判别器更新5次后，固定判别器，更新生成器参数1次，训练生成器。

5.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤4具体为，将扩充样本集进行二维预处理，将扩充后的一维样本数据X(k)转换成灰度值信号即

式中，X_min和X_max分别表示生成样本数据的最小值和最大值，g表示取整，将灰度值信号按长度1×32²截取成一系列一维灰度值向量，并将这些向量按尺度32×32组装成二维灰度值矩阵，即绘制成二维灰度图。

6.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤5中二维卷积神经网络包含输入层、特征提取层以及分类层；特征提取层包含4层卷积层和2层池化层，最大池化层加入dropout机制；分类层由两个全连接层组成，第1个全连接层将所有特征矢量首尾连接组成一维向量，第2个全连接层的神经元个数与故障类别数目相同，利用Softmax回归分类器实现目标输出类别。

7.根据权利要求1所述的一种小样本下印刷机滚筒故障的智能诊断方法，其特征在于，所述步骤6具体为，将扩充样本集以及与之对应的故障状态标签输入到构建的二维卷积神经网络模型中训练网络模型，优化模型参数，训练优化完成后即可实现小样本下印刷机滚筒故障的智能诊断。