[发明专利]基于深度卷积对抗神经网络的旋转机械在线故障监测方法

权利要求书

1.一种基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，包括以下步骤：

步骤1，通过设置于旋转机械上的振动信号传感器采集所述旋转机械正常运转时历史运行数据；

步骤2，建立深度卷积对抗神经网络，所述深度卷积对抗神经网络包括生成网络、判别网络及随机噪声生成器；

步骤3，输入所述历史运行数据对所述深度卷积对抗神经网络进行训练，直到所述深度卷积对抗神经网络达到纳什平衡；

步骤4，保存训练好的所述深度卷积对抗神经网络中的判别网络参数；

步骤5，所述振动信号传感器在线采集所述旋转机械的在线运行数据，将所述在线运行数据输入至训练好的判别网络中；

步骤6，基于所述判别网络的输出，对所述旋转机械的运行状态做出判断，得到所述旋转机械的运行状态结果；包括以下流程：

步骤61，判断所述判别网络的输出是否偏离平衡点；

步骤62，若所述判别网络的输出偏离了平衡点，表示所述旋转机械处于故障状态；

步骤63，若所述判别网络的输出未偏离平衡点，表示所述旋转机械处于健康状态。

2.如权利要求1所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述生成网络由反卷积层构成；所述判别网络由卷积层和全连接层构成；所述随机噪声生成器产生与输入数据同纬度的高斯分布信号。

3.如权利要求1所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述步骤3包括以下流程：

为了学习所述生成网络关于历史运行数据x上的分布p_g，历史运行数据的x分布为p_data，p_z(z)为输入高斯噪声的先验变量，D(x)为x来源于历史运行数据分布的概率，G(z)为噪声z到历史运行数据空间的映射；

训练所述判别网络时，网络优化目标为

训练所述生成网络时，网络优化目标为

当所述深度卷积对抗神经网络训练达到纳什平衡时，所述生成网络生成与历史运行数据同分布的数据，p_g＝p_data，此时

对于历史运行数据同分布的数据x′，D(x′)的输出在波动，以此作为平衡点。

4.如权利要求3所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述判别网络采用SDG优化算法。

5.如权利要求3所述的基于深度卷积对抗神经网络的旋转机械在线故障监测方法，其特征在于，所述生成网络采用ADAM算法。