[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

说明书

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，涉及机故障信号识别领域。本发明是为了解决现有的机械设备故障信号识别方法准确率不高的问题。本发明所述的包含一个生成器和多个判别器的基于课堂式生成对抗网络模型识别机械设备故障信号的方法包括：获取机械设备正常振动信号和机械设备故障振动信号；将获取的机械设备信号划分为测试集和训练集；设置课堂式生成对抗网络结构参数；获取一个批量的样本；计算生成能力的提升值；计算每个生成器对判别器损失函数值影响权重；计算判别器的损失函数；计算生成器的损失函数；测试判别器的准确性；将机械设备振动信号输入准确率最高的分类模型得到识别结果。

技术领域

本发明故障信号识别领域，特别涉及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。

背景技术

在现代工业中，机械设备故障的出现会给设备带来较大的安全隐患，因此，为了保证设备的安全，对故障信息进行有效分析，了解和掌握设备在使用过程中的状态，确定其整体或局部是正常或异常，早期发现故障，并对故障的发生进行判断并消除是十分必要的。

现有的故障诊断中，最为常见的是根据设备故障信号的振动信号特征进行故障检测与定位。根据发生故障时设备表现出了异常振动信号特征，判断是否有故障发生。传统大多数基于机器学习的故障信号识别方法都是基于平衡数据进行的，但是在现实生活中机械设备故障信号数据收集困难且体量较小，这就导致了目前的机械设备故障信号识别方法准确率不高的问题。

发明内容

本发明目的是为了解决现有的机械设备故障信号识别方法准确率不高的问题，而提出了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。

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，具体过程为：

步骤一、获取机械设备正常的振动信号和机械设备故障的振动信号；

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；

所述机械设备正常的振动信号通过随机采样的方式划分为训练集和测试集；

所述机械设备故障的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；

步骤四、根据先验概率分布从训练集中进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利用损失函数值对对判别器进行训练；

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；

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。

本发明的有益效果为：

本发明对现有的生成对抗网络模型进行了改进，将生成对抗网络模型构建成有多个生成器和一个判别器的模型，提出一个权重分配函数自适应调节各生成器对判别器损失函数的影响权重，使得各生成器共同协作，提高判别器与训练样本空间的贴合程度，训练得到一个性能优异的判别器，并将其应用于机械设备故障信号识别任务中，从而提升对机械设备故障信号识别的准确率。

附图说明

图1为基于课堂式生成对抗网络模型结构图；