[发明专利]一种小样本下隐式激励对抗训练的机械故障智能诊断方法

权利要求书

1.一种小样本下隐式激励对抗训练的机械故障智能诊断方法，其特征在于，包括以下步骤：

步骤S1：获取机械设备各种工况下的一维信号数据，划分训练样本集与测试样本集并赋予各个训练样本以及测试样本类别标签信息；

步骤S2：伪样本生成与特征编码，将训练样本输入编码器中获得低维的特征编码，从先验概率分布中随机采样获得噪声信号并输入生成器中获得伪样本；

步骤S3：特征匹配，在无需标签信息情况下，基于聚类学习，利用相关性度量对训练样本的特征编码结果加以约束，获取类别辨识度明显的特征信息；所述特征匹配中，样本特征编码在无标签信息情况下，基于类间距离最大化，类内距离最小化的聚类学习，建立特征信息相关性对比的损失项如下所示：

其中，n为特征编码的数目，与分别表示编码器输出的特征编码中的第i个和第k个输出结果，(·)^T表示向量转置；

此外，编码器特征编码结果应该满足先验分布的约束如下所示：

其中，λ为一权重系数，d(·)表示输入向量的维度，KL(·)表示概率分布的KL散度度量结果，为特征编码的概率分布，为先验概率分布，||·||₂表示二范数计算；

步骤S4：对抗训练，基于步骤S3的特征匹配约束，通过并联型神经网络结构的判别器对训练样本及其对应的特征编码之间的互信息以及样本对抗判别损失进行度量，计算判别器的目标函数以及生成器和编码器的目标函数，通过误差反向传播算法训练判别器、生成器以及编码器；

所述并联型神经网络结构的判别器目标函数包含样本对抗判别损失函数项与样本及其对应的特征编码之间的互信息度量如下所示：

将训练样本x与生成器生成的伪样本输入判别器，对于判别器，样本对抗判别的损失函数如下所示：

其中，x为训练样本，为先验噪声信号经生成器输出的伪样本，为训练样本x与伪样本线性插值结果，H为一非线性函数，D(·)表示基于并联型神经网络结构的判别器的输出结果，||·||₂表示二范数计算，表示计算函数关于的梯度；

将训练样本及其对应的特征编码输入至判别器中，判别器关于样本及其对应的特征编码之间的互信息度量结果如下所示：

其中，为训练样本x经编码器输出的特征编码，z为满足于先验概率分布的噪声信号；

生成器与编码器目标函数如下所示：

其中，为生成器与编码器关于样本对抗判别的损失函数，为生成器与编码器关于样本及其对应的特征编码之间的互信息度量结果；

将训练样本x与生成器生成的伪样本输入判别器，对于生成器与编码器，样本对抗判别的损失函数如下所示：

其中，x为训练样本，为先验噪声信号经生成器输出的伪样本，D(·)表示基于并联型神经网络结构的判别器的输出结果；

将训练样本及其对应的特征编码输入至判别器中，生成器与编码器关于样本及其对应的特征编码之间的互信息度量结果如下所示：

其中，为训练样本x经编码器输出的特征编码，z为满足于先验概率分布的噪声信号；

步骤S5：返回步骤S2进行迭代，直至生成器、判别器以及编码器目标函数值趋于稳定，输出编码器网络参数；

步骤S6：构建智能诊断模型，将训练样本集输入到步骤S5中得到的编码器中获得样本对应的特征编码，将特征编码输入智能诊断模型得到输出结果；

步骤S7：将输出结果与训练样本标签进行对比，计算总分类误差，并通过误差反向传播算法训练智能诊断模型；

步骤S8：返回步骤S6进行迭代，直到总分类误差达到预设值，输出智能诊断模型参数与测试样本集分类结果。

2.根据权利要求1所述的一种小样本下隐式激励对抗训练的机械故障智能诊断方法，其特征在于，所述的智能故障诊断方法是一种端到端的故障诊断方法，其输入为机械设备运作产生的原始一维信号，无需进行任何的信号预处理，且训练集与测试集中各个样本包含相同数量的数据点。

3.根据权利要求1所述的一种小样本下隐式激励对抗训练的机械故障智能诊断方法，其特征在于，在步骤S5中采用误差反向传播算法，使得编码器、生成器的模型参数计算更新与判别器的模型参数计算更新交替进行，直至目标函数值趋于稳定。