[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

说明书

本发明公开了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，将机械设备不同工况下产生的一维信号划分为训练集和测试集；构建编码器、生成器以及判别器模型，通过生成对抗训练机制以及互信息最大化和特征匹配策略，以训练集训练模型；将训练集输入至训练好的编码器中获取对应的特征编码，然后构建并以特征编码训练智能诊断模型，最后将模型用于测试集的故障诊断，并对结果进行评估。本发明通过生成对抗训练机制以及互信息最大化和特征匹配策略，在小样本的条件下，建立并强化样本与特征编码的信息关联，挖掘数据最本质的类别特征信息，并用于智能诊断模型的训练，可以有效地提高模型的泛化能力以及故障诊断准确率和稳定性。

技术领域

本发明涉及机械设备故障智能诊断技术，具体涉及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。

背景技术

机械设备故障诊断对于保障设备安全经济运行和人民生命财产安全意义重大，信号特征提取技术是实现故障诊断的重要手段。对于长期工作在高温、变载等复杂且严苛工况下的机械设备，基于信号处理技术的故障诊断方法难以建立与实际工况相匹配的机械物理模型，且高度依赖于专家经验和先验知识进行特征提取与人工选择，限制了其在高维、多源且含噪声信号的故障诊断任务中的准确性与适用性，难以满足未来机械设备故障诊断需求。

由于神经网络具备自适应学习能力和极强的非线性映射特性，能对复杂的信息进行自适应特征提取并进行模式识别，为故障诊断与状态监控提供了新的技术手段，作为一种新的知识处理方法，在设备故障诊断领域展示了极大的应用潜力，然而，基于数据驱动的智能故障诊断模型往往依赖于大量且高质量的原始数据样本以及标签信息，但在机械设备的实际生产运作中，故障信号的获取受到设备安装等诸多限制，可用于模型训练的数据量十分有限，将不可避免地导致模型训练不充分，带来过拟合问题，使得故障诊断模型检测准确率低且泛化能力差。

因此，鉴于机械设备故障数据量有限时基于数据驱动的机械故障智能诊断方法的局限性，研究小样本下的自适应特征提取技术，以实现机械设备故障模式识别，具有重要的研究意义与价值。

发明内容

本发明的目的在于提供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，以克服智能故障诊断模型在数据量有限时的局限性，本发明以机械设备运作产生的原始一维信号作为输入，在小样本条件下，基于无监督学习，利用对抗训练来激励编码器最大化样本及其对应的特征编码之间的互信息以自适应提取小样本数据类别特征，通过编码特征匹配以进一步提高特征空间的类别域的划分精度以及类别辨识度，最终实现机械设备故障的智能诊断。

为达到上述目的，本发明采用如下技术方案：

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，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；

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；

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；