[发明专利]一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法

说明书

本发明提供了一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，包括以下步骤：采集印刷机原始振动信号；将采集到的数据划分训练集和测试集；构建由生成器与判别器相结合的生成对抗网络模型；输入训练集，通过批次样本训练的方式对模型进行迭代训练，使用Adam优化算法优化网络参数，直到网络模型收敛；最后将模型用于测试集的故障诊断，并对结果进行评估。本发明通过改进传统的生成对抗网络，在其输出层增加辅助分类器，使得生成对抗网络具有分类能力，能够实现凹版印刷机导向辊故障的智能诊断。

技术领域

本发明属于故障检测技术领域，具体涉及一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法。

背景技术

作为凹版印刷设备中的关键元件，导向辊的性能直接影响设备的稳定性和可靠性。在高速、油墨腐蚀性等复杂工作条件下，导向辊容易发生故障，其必然会降低印刷设备的性能，从而影响印刷质量，进而导致严重的经济损失，严重时甚至会发生安全事故。因此，研究凹版印刷机导向辊故障诊断方法，监测凹版印刷机导向辊的运行状态，及时、准确地对其进行故障溯源具有重要的学术意义和工程价值。

传统的故障诊断方法通常需要人为处理数据、提取特征，受到人为因素的影响较大，过程繁琐，且通常需要具有丰富的专家经验知识。随着人工智能算法的逐步发展，其在故障诊断领域的应用也受到了广泛的关注。智能故障诊断能够自动提取特征，降低了专家经验对数据特征提取过程的影响，从而减少人为干预。但由于导向辊处在强噪声、油墨腐蚀等特殊工作环境下，导致现有的智能诊断准确率还不能满足要求。生成对抗网络作为一种人工智能技术，因其特有的对抗过程而具有很强的数据处理能力，能够从复杂的动态信号中提取出敏感特征。但是，由于传统的生成对抗网络属于无监督学习的模型，其判别器仅能判别生成样本的真伪，不能直接进行故障类型的识别。

发明内容

针对现有技术中存在的问题，本发明提供一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法。对传统的生成对抗网络基础上加入额外输出条件，并且在输出层添加辅助输出层，将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型。本发明利用改进的生成对抗网络进行故障分类，提高了故障诊断分类精度。

本发明提供如下技术方案：一种基于改进的生成对抗网络的凹版印刷机导向辊故障智能诊断方法，包括如下步骤：

S100：采集导向辊机械振动信号，对获取到的信号进行标准预处理，再将数据集分为训练集和测试集；

S200：建立生成器与判别器相结合的生成对抗网络模型；

S300：构建一个辅助分类器，并嵌入到所述S200步骤得到的判别器的输出层中，从而改进所述生成对抗网络模型；

S400：利用所述S100步骤中的训练集对所述S300步骤得到的改进生成对抗网络模型进行训练优化，得到具有优化参数的智能诊断模型；

S500：采用所述S400步骤中训练所得的智能诊断模型对S100中的测试集进行故障诊断，并对结果进行评估，最终模型能够获得90％以上的运行状态识别准确率，即可实现对凹版印刷机导向辊故障的智能诊断。

进一步地，在所述步骤S100中，将所述数据集按照7：3的比例划分为训练集和测试集。

进一步地，所述步骤S100中对获取到的信号进行标准预处理为使用零均值规范，计算式为：

其中，所述n为单个输入信号的数据点个数，所述x_k为第k个输入信号样本的数据点，所述为输入信号的均值，所述s为输入信号样本的标准差，所述y_k为零均值规范化处理后的信号样本的第k个数据点。