[发明专利]基于课堂式生成对抗网络模型的机械设备故障信号识别方法

权利要求书

1.基于课堂式生成对抗网络模型的机械设备故障信号识别方法，其特征在于包括以下步骤：

步骤一、获取机械设备正常振动信号和机械设备故障振动信号；

步骤二、将步骤一获取的机械设备振动信号划分为测试集和训练集；

所述机械设备正常振动信号通过随机采样的方式划分为训练集和测试集；

所述机械设备故障振动信号全部作为测试集；

步骤三、设置课堂式生成对抗网络结构参数：

步骤三一、建立基于课堂式生成对抗网络模型：

所述基于课堂式生成对抗网络模型包含一个判别器和多个生成器：

构建模型的生成器：

其中，G是生成器，N是生成器的数量，X是生成数据，Z是噪声变量，G_i是第i个生成器；

其中各个生成器之间共享输入数据及判别网络，同时生成器混合结构为判别器提供学习信号；

步骤三二、设置所述课堂式生成对抗网络结构参数，包括：生成器的数量、基于课堂式生成对抗网络的分类模型机构、训练次数，启动训练次数、调节参数、批量大小；

步骤四、根据先验概率分布从训练集中行取样获得一个批量的样本；

步骤五、利用获取的样本训练生成器并计算每个生成器在前次训练中生成能力的提升值；

所述生成能力的提升值是前次训练前后判别器对各生成数据判别的损失函数值产生变化的值；

步骤六、根据步骤五计算的生成能力的提升值利用权值函数计算每个生成器对判别器损失函数值影响权重λ_i,t；

步骤七、利用获取的样本计算判别器的损失函数并利用损失函数值对判别器进行训练；

步骤八、利用获取的样本计算每个生成器损失函数值并利用损失函数值对各生成器进行训练；

步骤九、利用判别器对测试集数据进行分类，测试判别器准确性获得准确率最高的判别器模型；

步骤十、获取待检测的机械设备振动信号并输入对测试集数据分类准确率最高的判别器模型。

2.根据权利要求1所述的基于课堂式生成对抗网络模型的机械设备故障信号识别方法，其特征在于所述步骤四中根据先验分布从训练集中进行随机取样得到一个批量的样本为：

其中，x是训练集中的真实机械设备振动信号，z是噪声样本，i是样本编号，p_x是x的概率分布，p_z是z的概率分布，m是批量。

3.根据权利要求2所述的基于课堂式生成对抗网络模型的机械设备故障信号识别方法，其特征在于所述步骤五中计算每个生成器在前次训练中生成能力的提升值，具体过程为：

其中，D_t-1是第t-1次训练后的判别器，D_t-2是第t-2次训练后的判别器，G_i,t-1是第t-1次训练后的第i个生成器，G_i,t-2是第t-2次训练后的第i个生成器，z_t-1是第t-1次训练中采样的噪声样本；z_t-2是第t-2次训练中采样的噪声样本，是当z_t-1～p_z时的期望值，是当z_t-2～p_z时的期望值。

4.根据权利要求3所述的基于课堂式生成对抗网络模型的机械设备故障信号识别方法，其特征在于所述步骤六中根据步骤五计算的生成能力的提升值利用权值函数计算每个生成器对判别器损失函数值影响权重λ_i,t，具体过程为：

其中，Q_i,t是第i个生成器第t次训练前的生成能力提升值，α≥0是可供调节的超参数，N是模型中生成器的个数。