[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

说明书

本发明公开了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：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，相当于经过一个调幅处理，得到最终的生成样本。

技术领域

本发明涉及旋转机械振动信号生成技术领域，特别涉及一种利用稀疏约束生成对抗网络生成振动信号的方法。

背景技术

旋转机械作为工业设备中重要的组成部分，在设备工作运行中发挥关键的作用，因此，旋转机械的运行状况能够极大影响设备整体的运行状况，一旦旋转机械发生故障，容易引起设备整体故障，导致设备停机、经济损失及损害人身安全等不良后果。然而旋转机械通常运行于高负载、变工况等恶劣环境条件，容易发生退化和失效，因此针对旋转机械开展故障检测、故障诊断、健康评估等健康管理工作，能够有效掌握其运行状态，在故障发生时进行告警和隔离定位，提高设备运行可靠性。由于旋转机械工作带有明显的周期性，因此其引起的振动信号中包含了与旋转机械本身运行情况与故障情况高度相关的大量信息，因而针对旋转机械的故障检测、诊断等方法大多依赖于采集的振动信号。传统信号分析与特征提取方法能够结合旋转机械工作及故障机理，对其开展检测诊断，并取得较好效果。近年来，随着深度学习技术的发展，基于深度学习方法对旋转机械振动信号开展端到端的检测诊断，引起了广泛的关注和研究。然而，深度学习方法通常依赖大量有标注数据样本。实际场景下，受限于数据采集的高成本性与设备带故障运行的高风险性，获取大量的有标注振动信号样本难以实现，而这一问题影响了深度学习方法的实施效果。因此，利用数据增广方法，开展人工数据生成，基于有限的真实样本生成大量的合成样本，用以补充训练集，成为了解决数据缺乏问题的有效手段。

生成对抗网络，作为无监督生成模型，能够有效从真实数据中学习分布，进而将随机噪声向量变换为与真实数据高度相似的样本，在旋转机械振动信号生成方面已有相关方法得到应用。现有方法主要集中于利用生成对抗网络进行振动信号频谱、振动信号特征的生成。其中，振动信号频谱生成，首先对原始旋转机械振动信号执行快速傅里叶变换，得到振动信号频谱，作为真实样本，对生成对抗网络进行训练，得到大量生成的频谱样本，进而服务于旋转机械后续的检测、诊断、健康评估等健康管理工作。振动信号特征生成，首先对振动信号进行特征提取，包括时域特征、频域特征等，将提取得到的特征组成特征向量，然后利用特征向量作为真实样本，对生成对抗网络进行训练，使网络获得生成振动信号特征的能力。然而，无论是频谱生成还是特征生成，都未能保留原始振动信号的所有信息。现有方法缺少稳定生成旋转机械原始时域振动信号的能力，且均需要复杂的网络结构，更加引发了训练的不稳定性。因此，亟需设计一种能够利用生成对抗网络，无监督地对旋转机械原始时域振动信号分布进行学习，进而能够大量生成振动信号样本的方法，以支持对数据量有较高需求的检测诊断方法的开发应用。

发明内容

本发明的目的是提供一种利用稀疏约束生成对抗网络生成振动信号的方法，直接针对旋转机械原始时域振动信号进行无监督学习和大量生成。

本发明所提供的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以下步骤：

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；