[发明专利]一种轴承振动信号特征可解释性降维与故障诊断方法

权利要求书

1.一种轴承振动信号特征可解释性降维与故障诊断方法,其特征在于，包括：

采集轴承在不同状态下的振动信号，将所述振动信号划分为训练集和测试集；

构建信息最大化生成对抗网络模型；

将所述训练集输入所述信息最大化生成对抗网络模型进行迭代训练，获得训练好的网络模型；

将所述测试集输入所述训练好的网络模型进行特征可解释性降维与故障诊断，获得轴承故障结果；

所述信息最大化生成对抗网络模型至少包括生成器和鉴别器，在迭代训练中通过Adam算法调整网络权值；

所述生成器包括第一输入层、第一中间层、第一输出层；

所述第一中间层包括全连接层和二维反卷积层；

所述第一中间层包括一层全连接层和四层二维反卷积层，所述二维反卷积层的卷积核均设置为5×5，且全连接层在前，四层二维反卷积层在后，所述二维反卷积层之间的激活函数为ReLU函数；

所述第一输出层为一层二维反卷积层，激活函数为Sigmoid函数；

所述鉴别器包括第二输入层、第二中间层、第二输出层；

所述第二中间层包括全连接层和二维卷积层；

所述第二输入层用于生成样本和训练集样本；

所述第二中间层包括四层全连接层和四层二维卷积层，所述二维卷积层的卷积核均设置为5×5，且四层二维卷积层在前，四层全连接层在后，所述二维卷积层之间的激活函数为LeakyReLU函数；

所述第二输出层为三个全连接层，用于输出轴承故障结果；

所述全连接层的激活函数为Softmax函数。

2.根据权利要求1所述的轴承振动信号特征可解释性降维与故障诊断方法，其特征在于，

采集所述轴承在不同状态下的振动信号之后，还包括对所述振动信号设置相应的标签，所述振动信号为一维时间序列数据，将所述振动信号按照8:2的比例划分为训练集和测试集。

3.根据权利要求1所述轴承振动信号特征可解释性降维与故障诊断方法，其特征在于，

所述第一输入层长度为113，包括：服从最小值为-1，最大值为1均匀分布的长度为100的白噪声、代表故障类型的随机生成的长度为4的one-hot数据、代表故障程度的随机生成的长度为5的one-hot数据、代表负载的随机生成的长度为4的one-hot数据。

4.根据权利要求1所述轴承振动信号特征可解释性降维与故障诊断方法，其特征在于，

输出所述轴承故障结果包括输出轴承故障类型、输出轴承故障程度、输出轴承负载；

所述轴承故障类型包括正常、内圈故障、滚珠故障、外圈故障；

所述轴承故障程度包括损失直径为正常、0.007英寸、0.014英寸、0.021英寸、0.028英寸；

所述轴承负载包括0Hp、1Hp、2Hp、3Hp。

5.根据权利要求1所述轴承振动信号特征可解释性降维与故障诊断方法，其特征在于，

所述迭代训练过程包括以下步骤：

(1)在所述振动信号的白噪声中采样生成第一向量，在所述振动信号的高斯噪声中采样生成隐码,基于所述第一向量和所述隐码获得第二向量，将所述第二向量输入生成器，经全连接层和二维反卷积层输出后，获得假样本；

(2)将训练集样本和所述假样本按批次输入到鉴别器，经二维卷积层和全连接层处理后，通过Sigmoid函数输出鉴别值，通过Softmax函数输出故障类型、故障程度和负载的判别值；

(3)分别将生成器、鉴别器的参数固定，基于损失函数、Adam算法调整鉴别器的参数，对所述信息最大化生成对抗网络模型的权值参数进行更新；

(4)重复(1)-(3)，直至达到预设迭代次数。