[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

说明书

本发明提供了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，属于机械设备故障监测领域。本发明将振动信号传感器安装在旋转机械上采集信号，生成离线训练集，模型训练阶段，用健康数据训练生成网络和判别网络，使两个网络达到纳什平衡，以平衡点作为判断阈值；在线检测阶段，将实时数据输入训练好的判别网络中，计算判别网络的输出指标，作为诊断依据，实现了旋转机械典型零部件轴承的在线故障监测；本发明能够在故障数据稀少、标签类别不足的情况下有效训练模型，同时采用卷积判别网络和反卷积生成网络组成的对抗生成网络能够在非平稳工况下自适应的过滤噪音的干扰，不依赖统人工经验和统计学假设，具备较高的泛化能力和鲁棒性。

技术领域

本发明属于机械设备故障监测领域，特别涉及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。

背景技术

工程机械设备的发展水平直接关系到国家的综合实力、国际地位与核心竞争力，机械设备日趋向智能化和复杂化，轴承和齿轮等旋转机械的运行状态是否正常直接影响到整个大型机械设备的加工精度、运行可靠性及寿命等性能参数。开展旋转机械状态监测和故障诊断的研究是保证机械设备运行安全稳定的基础。随着工业生产的大型化、系统化和信息化，对关键部件旋转机械的安全运行要求越来越严格，将目前先进的测试技术用于旋转机械的故障诊断研究中将具有重要的意义。

当前旋转机械在线故障检测领域存在以下两个难点：1.基于故障特征提取和信号处理技术的故障诊断是故障特征提取的重要手段，通常认为振动信号包含了旋转机械设备大量的运行信息，因此可利用振动信号的时频域指标来评估检测设备的健康状态；而处于复杂工况下的机械设备的振动信号通常是非平稳状态，需要大量人工经验进行特征提取，同时，由于易收到噪声干扰，旋转机械设备的振动信号具有较低的信噪比；2.旋转机械在线检测中广泛存在信号样本不平衡和故障标签缺失的现象，由于设备出现重大故障时均会导致设备停止运行，难以收集设备故障信号、提取故障特征，同时标注样本标签需要耗费大量人力成本，导致故障样本少、正常样本多，有标签样本少、无标签样本多，使用传统数据驱动的方法难以有效的训练诊断模型。3.常见的无监督学习如自编码及其变体网络，以其重构误差的大小作为异常检测判据，但模型本身并不存在产生阈值的理论基础，阈值的选取依赖人工经验和大量统计学假设，且受实际研究对象响较大。

发明内容

为实现在低信噪比、非平稳工况下有效实施旋转机械在线故障检测，本发明提出了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，将振动信号传感器安装在旋转机械上采集运行振动信号，将收集到的数据输入离线数据库，模型训练阶段，用健康数据训练对抗网络的生成网络和判别网络，使两个网络达到纳什平衡，以平衡点作为判断阈值；在线检测阶段，将光纤载荷数据输入训练好的判别网络中，计算判别网络的输出指标，以此作为诊断依据；在复杂工况条件下实现旋转机械典型零部件轴承的在线故障监测，具备较高的泛化能力和鲁棒性。

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，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。

进一步地，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。