[发明专利]基于MDDGAN的刀具磨损状态监测数据集增强方法

权利要求书

1.一种基于MDDGAN的刀具磨损状态监测数据集增强方法，首先，采集刀具切削过程中主轴的振动信号，将振动信号转换成频谱数据输入到MDDGAN中；其次，MDDGAN的两个鉴别器分别被训练以最大化对抗性损失和鉴别器差异损失，MDDGAN的生成器被训练以最小化对抗性损失和鉴别器差异损失，三者之间进行动态对抗训练，直到训练完成，保存生成器的模型参数；然后，利用训练好的生成器生成刀具磨损样本，并判断生成的刀具磨损样本分布和真实的刀具磨损样本分布是否相似；最后，将真实的刀具磨损样本和生成的刀具磨损样本组合在一起输入到深度学习网络模型中验证生成样本的可用性；

其特征在于，步骤如下：

第一步，采集刀具切削过程中的振动信号

刀具切削过程中，加速度传感器固定在主轴上，数据采集系统采集刀具切削过程中主轴的振动信号；将振动信号转换成频谱数据，作为刀具磨损样本；

第二步，建立MDDGAN模型并进行动态对抗训练

MDDGAN由三个模型结构组成，一个生成器G和两个具有不同初始化的鉴别器D1和D2；生成器G对抗性损失函数如式(1)所示：

其中，P_z(z)是给定先验噪声z的分布，G(z；θ_g)是从先验噪声z映射生成的样本数据，θ_g表示生成器G的网络参数；表示先验噪声z来自噪声分布的期望；

鉴别器D1和D2的对抗性损失函数如式(2)和(3)所示：

其中，D(x；θ_d1)和D(x；θ_d2)分别是表示x来自真实数据的鉴别器D1和D2的输出概率，θ_d1和θ_d2分别是鉴别器D1和D2的网络模型参数，表示x来自真实数据分布的期望；

鉴别器D1和D2的输出函数都是Sigmoid函数；差异项被用作决策边界的优化函数；鉴别器D1和D2的概率输出之间的差异被定义如式(4)所示：

其中，表示新的生成样本数据集，dis(·)表示差异函数，p₁和p₂分别表示鉴别器D1和D2的概率输出，采用L1范数，计算如式(5)所示：

dis(p₁，p₂)＝||p₁-p₂||₁    (5)

基于上述的目标函数，将基于决策边界的动态对抗训练策略引入GAN模型训练，通过动态对抗训练优化两个鉴别器D1和D2的决策边界，从而使生成的样本分布更接近真实的样本分布；MDDGAN的训练步骤如下：

(1)生成器G生成样本x_g和真实刀具磨损样本均被输入到鉴别器D1和D2中，样本x_g的标签设置为0，真实刀具磨损样本的标签设置为1；然后固定生成器G的网络参数，通过最大化对抗性损失分别更新鉴别器D1和D2的网络参数如式(6)所示：

max_D1，D2(L_D1(x_r，x_g)+L_D2(x_r，x_g))    (6)

(2)将生成器G生成的样本输入鉴别器D1和D2以获得对抗性损失，生成器G的标签设置为1；此时，鉴别器D1和D2的网络参数是固定的，并且通过最小化对抗性损失更新G的网络参数，如式(7)所示：

min_GL_G(x_g)    (7)

(3)更新后的生成器G重新生成新样本此时，新生成的样本接近真实样本；它们被输入到步骤(1)中训练的鉴别器D1和D2，并且获得鉴别器D1和D2的概率输出之间的差值；固定生成器G的网络参数，训练两个鉴别器以最大化差异损失，同时确保两个鉴辨器对真实样本和生成样本的鉴别性能，从而获得更严格的决策边界，该过程如式(8)所示：

(4)鉴别器D1和D2的网络参数被固定，G被独立地训练以最小化差异损失和对抗性损失；该步骤与步骤(3)形成动态对抗性训练，以使生成的样本分布与给定严格决策边界的真实样本分布对齐；目标函数如式(9)所示：

通过重复上述四个步骤，最终获得最佳的生成器G，保存生成器G的模型参数；

第三步，对比生成数据和真实数据的相似性

利用训练好的生成器生成样本数据，将生成的刀具磨损频谱数据和真实的刀具磨损频谱数据的进行对比分析，判断生成的样本数据和真实的样本数据的分布是否相同；如果不相同，则返回到MDDGAN模型中继续进行对抗训练，直到生成的样本数据和真实的样本数据分布相同为止；

第四步，验证生成样本数据的可用性

采用原始的不平衡刀具磨损训练数据集和增强的刀具磨损训练数据集分别训练深度学习网络模型，测试两者的预测精度，验证生成数据的可用性。