[发明专利]数据失衡下基于深度学习的机械零部件故障诊断方法

摘要

一种数据失衡下基于深度学习的机械零部件故障诊断方法，首先从传感器获取原始振动信号，通过快速傅里叶变换得到频域数据；然后将频域数据输入到基于Wasserstein距离的生成对抗网络中，经过多轮生成器和辨别器的对抗训练，当WGAN达到纳什均衡时，从生成器中生成大量故障样本数据，再将生成的故障样本数据混合到原始故障样本数据中，平衡数据集；最后将平衡后的样本数据转化为二维数据输入到全局平均池化的卷积神经网络进行特征提取、故障分类，实现机械零部件的故障诊断。本发明利用WGAN合理解决了数据失衡问题，并采用GAPCNN进行故障分类诊断，提高了诊断精度。

主权项

1.一种数据失衡下基于深度学习的机械零部件故障诊断方法，其特征在于，包括以下步骤：1)对传感器获取的机械零部件的振动信号进行等间隔地截取形成原始样本集每个样本包含连续的2048个样本点，随后对该原始样本集进行快速傅里叶变换得到频域样本数据集每个频域样本共包含1024个样本点，即真实样本，其中，i表示机械零部件的第i类故障；2)将步骤1)中得到的频域样本数据输入到WGAN中进行对抗训练，其中WGAN中生成器G的输入是随机生成噪声数据Z＝(z¹,z²,...,z^m)，输出是具有和真实数据分布相似的生成数据G(zⁱ)，辨别器D的输入是生成数据G(zⁱ)和真实样本输出为生成数据G(zⁱ)和真实样本Tⁱ的联合分布，并通过Wasserstein距离计算，预测输入数据来自真实样本的概率，WGAN中生成器G有三层全连接层，隐藏层有128个神经元，辨别器D有四层全连接层，隐藏层分别为128和256个神经元；3)创建生成器G并初始化其权重参数θ_g，然后训练生成器G，生成器的损失函数如式(1)所示，采用梯度下降法最小化损失函数V_G，使生成器G生成更真实的数据样本，参数更新方式如式(2)所示，m表示批处理的大小，η表示学习率；4)固定生成器G，创建辨别器D并初始化辨别器D的权重参数θ_d，用式(3)的损失函数训练辨别器D，式中加入了惩罚项目的是让辨别器收敛，采用梯度上升的方式更新参数来最大化损失函数V_D，以提升辨别器的辨别能力，参数更新方式如式(4)所示；其中式(3)中D(tⁱ)表示辨别器D输入真实样本的辨别结果，D(G(zⁱ))为辨别器D输入生成数据的辨别结果，λ为惩罚因子，m为批处理的大小，式(4)中η表示学习率；5)步骤3)和步骤4)交替进行训练，每训练5次辨别器D，训练1次生成器G，经过多轮对抗之后，WGAN达到纳什均衡，从生成器G中产生大量的最优化的生成数据P(zⁱ)；6)将步骤5)的生成数据P(zⁱ)混合到真实样本数据中，得到平衡后的数据集T＝(T¹,T²,...Tⁿ,P(z¹),P(z²),...P(zⁿ))，接着将该数据集中每个样本转换为二维数据，其转换方法如式(5)所示，即将频域信号t(X)等分成r段，每段有n个样本点，依次排列，形成r×n的矩阵，此时数据集T被转换为32×32的二维数据样本，得到数据集其中nⁱ表示第i个二维数据样本，yⁱ表示该样本对应的标签，K表示数据集中样本的总数；7)将步骤6)中得到的数据集输入到GANCNN中进行模型训练，模型的损失函数如式(6)所示，式中表示GANCNN输出的预测值；8)测试阶段，从传感器中获取各类故障振动信号，通过步骤1)得到相应频域样本数据，再采用步骤6)的方法将频域的每个样本数据转换为二维数据集，最后将二维数据集输入到GAPCNN进行故障诊断。