[发明专利]一种利用稀疏约束生成对抗网络生成振动信号的方法

权利要求书

1.一种利用稀疏约束生成对抗网络生成振动信号的方法，包括：

通过构建并训练包括生成器和判别器的稀疏约束生成对抗网络，得到训练好的稀疏约束生成对抗网络，并将随机噪声向量输入到训练好的稀疏约束生成对抗网络的生成器；

所述训练好的稀疏约束生成对抗网络的生成器将输入的随机噪声向量被变换为一个仅包含少量非零值的稀疏激活向量；

使用所述稀疏激活向量中包含的少量非零值，激活所述训练好的稀疏约束生成对抗网络的生成器隐藏层的权重矩阵中对应位置的列向量，其中被激活的列向量中包含了真实振动信号中所有关键频率成分及其组合；

被激活的列向量经过稀疏激活向量非零激活值的加权之后，得到一个线性组合，所述线性组合包含了待生成的旋转机械原始振动信号中所有的关键频率成分；

该线性组合被一个非线性函数进行激活，进行调幅处理，得到最终的生成样本；

所述训练好的稀疏约束生成对抗网络的生成器输出该生成样本，获得与原始振动信号高度相似的生成样本；

其中，所述构建并训练包括生成器和判别器的稀疏约束生成对抗网络包括：

构建输入层维度和输出层维度为w，隐藏层维度为m的稀疏自动编码器；

利用对采集的振动信号进行预处理后得到的维度为w的振动诊断信号训练样本对所构建的稀疏自动编码器进行训练，得到训练好的稀疏自动编码器；

利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络；

利用维度为w的振动诊断信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练，得到训练好的稀疏约束生成对抗网络；

其中，所述利用训练好的稀疏自动编码器，构建包括生成器和判别器的稀疏约束生成对抗网络包括：

拆分训练好的稀疏自动编码器，将输入层和隐藏层作为编码器部分，并将隐藏层和输出层作为解码器部分；

通过在拆分训练好的稀疏自动编码器得到的编码器部分之后接入一层包含一个神经元的输出层，得到稀疏约束生成对抗网络的判别器；

通过在拆分训练好的稀疏自动编码器得到的解码器部分之前接入维度为w的输入层，得到稀疏约束生成对抗网络的生成器；

其中，所述利用维度为w的振动诊断信号训练样本和噪声样本对所构建的稀疏约束生成对抗网络进行训练包括：

利用所述振动诊断信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练，得到训练好的判别器；

利用所述噪声样本对稀疏约束生成对抗网络的生成器进行若干次迭代循环训练；

其中，在对生成器进行若干次迭代循环训练期间，训练好的判别器对所述生成器输出的生成样本和所述振动诊断信号训练样本进行判别，直至所述生成器输出的生成样本逼近所述振动诊断信号训练样本。

2.根据权利要求1所述的方法，其中，对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练包括：

在利用所述振动诊断信号训练样本和噪声样本对所述稀疏约束生成对抗网络的判别器进行若干次迭代循环训练期间，计算所述判别器的损失值；

根据所计算的判别器的损失值，对判别器网络参数进行梯度下降更新，直至所述判别器的损失值与所述生成器的损失值达到纳什均衡状态。

3.根据权利要求2所述的方法，其中，所述判别器网络参数包括所述训练好的稀疏自动编码器的权重矩阵和偏置向量以及所接入的包含一个神经元的输出层的权重矩阵和偏置向量。

4.根据权利要求3所述的方法，其中，所述判别器隐藏层和输出层激活函数均为Sigmoid函数。

5.根据权利要求1所述的方法，其中，对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练包括：

在利用所述振动诊断信号训练样本和噪声样本对所述稀疏约束生成对抗网络的生成器进行若干次迭代循环训练期间，计算所述生成器的损失值；

根据所计算的生成器的损失值，对生成器网络参数进行梯度下降更新，直至所述生成器的损失值与所述判别器损的失值达到纳什均衡状态。