[发明专利]基于改进型生成对抗网络的设备故障诊断方法及系统

说明书

本发明公开了基于改进型生成对抗网络的设备故障诊断方法及系统，获取待诊断设备故障信号；基于待诊断设备故障信号，获取待诊断噪声信号；对待诊断噪声信号进行随机采样，得到具有不同均值和方差的随机噪声；基于不同均值和方差的随机噪声，根据训练后的改进型生成对抗网络，获取待诊断设备的故障信号对应的故障类型。新提出的网络模型一定程度上解决了模态崩溃和训练不稳定的问题，提高了生成样本的多样性，模型的生成器可以生成高质量的样本，既包含了原始故障样本的特征，同时也生成了新的特征。

技术领域

本申请涉及设备故障诊断技术领域，特别是涉及基于改进型生成对抗网络的设备故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。

在现代工业中，机械设备的健康是非常重要的。但是，一旦机械设备在工程应用中出现故障，就会造成巨大的经济损失，危及工人的安全。它甚至会对整个项目产生严重的影响。因此，利用有效的故障诊断技术提高机械设备的安全性和可靠性显得尤为重要。

故障诊断技术为提高系统的可靠性、可维护性和有效性开辟了一条新的途径。故障诊断技术是指在系统运行状态或工作状态下，通过各种监测手段判别其工作是否正常。故障诊断的任务就是当系统某一部位出现某种故障时，要从这些状态及其参数的变化推断出导致这些变化的故障及其所在部位，从已知征兆判定存在的故障的类型及其所在部位。

由于旋转机械是机械设备的重要组成部分，旋转机械的故障诊断和状态监测越来越受到社会的重视。在过去的几年中，随着越来越多的电流和振动信号数据的可用，许多数据驱动算法已经被研究来解决故障诊断问题。随着人工智能的不断发展，深度学习方法被广泛应用于图像处理、多模态图形、游戏制作等领域。它在网络安全和自动驾驶中也有重要的应用。例如，卷积神经网络(Convolutional Neural Network，CNN)和循环神经网络(Recurrent Neural Network)被用于图像识别、图像复原、自然语言处理、计算机视觉等。近年来，深度学习的相关算法也被应用到旋转机械的故障诊断中。

然而，由于运行条件的不稳定、环境噪声的干扰以及各种不可识别的复杂故障模式，实际故障数据的采集受到限制，导致缺乏带标签的真实故障数据。因此，利用机器学习和部分深度学习方法难以实现高精度故障诊断。Goodfellow等人在2014年提出了生成对抗网络(Generative Adversarial Networks)，也称为GAN。该网络分别训练了鉴别器模型和生成器模型。生成器模型负责获取真实数据的分布，鉴别器模型负责判断输入的数据来自生成器还是真实样本。近几年来，人们尝试将生成对抗网络应用于故障诊断，通过扩充数据集来提高故障诊断准确性。然而，由于GAN网络自身训练存在不稳定以及模态崩溃的问题，可能会导致生成器只能捕捉部分模态，从而影响生成样本的多样性，最终影响故障诊断的准确性。

然而，发明人发现尽管目前人们尝试使用生成对抗网络进行故障诊断，但是它也存在两个主要的问题，也是本案要解决的两个技术问题：

1)输入噪声单一。在大多数情况下，很多研究输入到GAN网络的生成器中的噪声信号都是固定的分布，一定程度上会影响生成数据的随机性，使得输入到鉴别器中的数据多样性降低，影响模型的泛化能力，从而最终影响故障诊断的准确性。

2)模态崩溃和样本多样性问题。由于GAN自身网络结构的原因，目前的生成对抗网络方法用于故障诊断时会存在模态崩溃和不稳定的问题，影响生成样本的多样性，最终导致故障诊断结果不理想。

发明内容

为了解决现有技术的不足，本申请提供了基于改进型生成对抗网络的设备故障诊断方法及系统；

第一方面，本申请提供了基于改进型生成对抗网络的设备故障诊断方法；

基于改进型生成对抗网络的设备故障诊断方法，包括：