CN114118139B 一种基于谱范数gan的多工况机械故障诊断方法 （苏州大学）

一种基于谱范数GAN的多工况机械故障诊断本发明公开一种基于谱范数GAN的多工况机短时傅里叶变换将时域振动信号转化为特征时2S1，数据采集和基于短时傅里叶变换的信号预处理据进行短时傅里叶变换将时域振动信号转化为S3，基于谱范数GAN的特征表示学习，利用GAS4，基于谱范数GAN的领域判别器，利用GAN中,j分别32.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法，其特征在3.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法，其特征在的映射函数满足Lipschitz常数为1的谱范数约束，同时使领域故障识别分类器每层的4.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法，其特征在5.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法，其特征在S5.2,特征提取器及故障识别分类器的优化,特征提取器通过对抗知识迁移来优化参6.根据权利要求1所述的一种基于谱范数GAN的多工况机械故障诊断方法，其特征在4[0001]本发明属于机械故障诊断领域及人工智能技术领域，具体是一种基于谱范数GAN[0004]2014年Goodfellow提出了生成对抗网络(GAN,GenerativeAdversarial到纳什均衡，即具备辨别能力的判别器无法分辨输入的是真数据还是生成器生成的假数5对源域数据和目标域数据进行短时傅里叶变换将时域振动信号转化为特[0008]S3,基于谱范数GAN的特征表示学习，利用G[0009]S4,基于谱范数GAN的领域判别器，利用GAN取器能够学习跨领域不变的故障特征；所述领域判别器采用谱范数对网络权重进行正则',[0016]其中d,ds分别为源域数据的领域预测值和领域标签，为目标域数据的领域预6[0029]S3.1,初始化特征提取器的参数,其中特征提取器和故障识别分类器的初始化参[0034]S4.2,谱范数正则化约束下的领域判别器，[0043](1)传统机械故障诊断方法难以针对机械设备变工况的情况进行有效诊断，因此本发明采用对抗知识迁移的方法来提高故障诊断模型在变工况的诊断精[0044](2)多工况机械故障诊断方法可以实现知识迁移但不具有特征差异的学习能力，[0045](3)区别于传统的知识迁移只存在一个源域和一个目标域的情景，本发明提出的7方法可以实现多个目标域的多工况故障诊断，不仅极大地提高了故障诊断模型的鲁棒性，[0046](4)本发明将谱范数正则化引入特征提取器和领域判别器，提高故障诊断模型鲁[0055]请参阅图1～6，本发明实施例中，一种基于谱范数GAN的多工况机械故障诊断方签为目标域数据(目标域数据为实时采集的设备运行数据，不可能也没有办法来进行实时的标签标注)；对源域数据和目标域数据进行短时傅里叶变换将时域振动信号转化为特征[0060]其中Twindow为窗函数，默认为海明窗，构建时频图作为变工况故障诊断模型的输8故障特征；所述领域判别器采用谱范数对网络权重进行正则化，使得领域判别器满足1-j,j[0070]其中i,ds分别为源域数据的领域预测值和领域标签，为目标域数据的领域预9[0086]随后对源域故障数据的卷积神经网络进行有监督训练，其目标函数为交叉熵函[0098]结合了基于参数和基于特征的迁移学习进行故障诊断。基于S3中参数的迁移学[0101]其中特征提取器和故障识别分类器的参数都由有监督预训练得来的最优参数初[0103]根据图1将S3中学习到的参数迁移到特征提取器中作为模型参数的初始化，FE[0106]GAN在可学习的判别器的约束下实现了对原始数据分布的学习，其生成器的优化[0120]可知要使特征提取器满足1-Lipschitz约束，即令判别器D每层的Lipschitz常数的是真实数据和生成数据分布的差异，所述基于GAN模型的领域判断器为多分类的领域判[0139]其中i,ds为领域判别器对特征所属领域的预测值和标签值，di,ar为领域判别[0141]特征提取器及故障识别分类器的优化，特征提取器通过对抗知识迁移来优化参i,dsi,ds代表目标域提取的特征能够使领域判别器无法分辨其来自哪个',j'为目标域故障识别分类器[0159]分析基于谱范数GAN的多工况机