CN115017946B 一种小样本类不平衡的轴承智能故障诊断方法 （南京航空航天大学）

一种小样本类不平衡的轴承智能故障诊断本发明公开了一种小样本类不平衡的轴承合自编码网络和双判别器搭建生成对抗网络AD2GAN网络；从次按照设定的损失目标函数对深度卷积神经网络作为故障诊断模型进行故障23)网络模型搭建及训练：搭建辅助双判别器生成对6)故障诊断：利用类平衡后的数据集对故障诊断模步骤3)的实现过程为：所述AD2GAN网络模型包括结合自编码网络所述生成器包括输入层、多层全连接层以及对抗输出层，其中所述所述双判别器包括判别器D1以及判别器D2，组成结构相同但不共享步骤4)的实现过程为：在步骤1)获取的N-1类故障为生成器生成样本的模板，记为真样本X；选择与K故障类型的真样本X对等数目且维度为将所述判别器D1以及判别器D2的损失目标后运行机械设备，启动LMS数采系统采集轴承各种状态下的时序振动加速度信号作为轴承3所述双判别器第二个判别器D2设置为当输入其中的样本为真样本X时，判别器D2给出集完成堆叠以及嵌入相应类别标签后，将每类故障假样本按照不平衡比例对所对应的N-1内的所有类型样本数据集，测试集为LMS数采系统重新采集的与训练集样本类别以及每类4行故障监测与故障诊断对保证机械设备安全可靠运行有及其重要的作用。[0003]轴承故障监测和智能故障诊断是以数据驱动住前提的。机械大部分时间是运行在正常状态下的，因此采集到的绝大部分数据是健康数据(多数[0005]目前常用的数据过采样技术主要包括合成少类过采样技术(SyntheticMinorityOversamplingTechnique，SMOTE)、生成对抗网络(GenerativeAdversarialNetwork，5[0007]为了实现上述目的，本发明提供了一种小样本类不平衡的轴承智能故障诊断方重构输出层均是对编码器输出的特征进行特征K6[0022]所述双判别器第二个判别器D2设置为当输入其中的样本为真样本X时，判别器D2成的假样本的评分，Er-re表示真实数据分布的期望，EZ-r表示生成数据分布的期望，Xfeature表示解码器对真样本X进行特征提取后在解码器第一隐藏层解码所获得的特征，G本训练过程中生成器以及双判别器迭代训练一定程度时生成器生成的与之类别对应的故衡比例对所对应的N-1类故障样本中的同类样本进行补充，直到补充后每类故障样本的总后的包括正常样本在内的所有类型样本数据集，测试集为LMS数采系统重新采集的与训练[0033](2)同时在对抗网络生成模块嵌入堆叠自编码网络，借助自编码网络对输入信号[0034](3)本发明所提出的方法可以利用少数样本生成与之分布高度相似的假样本，高78[0050]所述双判别器第一个判别器D1设置为当输入其中的样本为真样本X时，判别器D1[0051]所述双判别器第二个判别器D2设置为当输入其中的样本为真样本X时，判别器D2更有效的生成多样化的假数据以提高故障诊同时欺骗两个判别器，使两个判别器无法正确的识别出真假样本并给出正确的评判分数，第一隐藏层解码所获得的特征，G(Z)feature表示生成器对G(Z)进行特征提取在第三层全连上述训练，并将每类故障样本训练过程中生成器生成的与之类别对应的假样本进行保存。将保存的每条同类故障样本按保存顺序进行堆叠，堆叠后每类故障样本的数据集维度为熟的智能故障诊断网络——深度卷积神经网络(DeepConvolutionalNeuralNetwork,[0062]本实例的数据集来自于本课题组自定制台架试验台数据9[0063]为了验证本发明所提基于辅助双判别器互对抗的小样本类不平衡智能故障诊断[0068]随机选择20组故障类型为K的原始信号对AD2GAN模型进行训练，同样设置20组随机噪声用于假样本的生成。在训练过程中Batchsize的大小均设置为1，迭代步数设置为[0069]为了评价生成样本的质量，首先，使用皮尔逊相关系数(PearsonCorrelationCoefficient,PCC)和余弦相似度(CosineSimilarities,CS)评价指标对生成的假样本进[0073]为了进一步证明所提方法生成的故障样本在小样本类不平衡情况下的故障诊断模型的诊断效果有了实质性的提升，在4种不平衡状态下经过数据补充后的平衡数据集相比未采用任何数据生成方法生成数据的不平衡数据集，其诊断精度依次提高了7065%,[0075]为了更直观的说明使用本发明所提方法相比未采用任何数据生成方法的故障诊