[发明专利]一种基于半监督对抗网络的轴承故障诊断方法

说明书

本公开揭示了一种基于半监督对抗网络的轴承故障诊断方法，包括：S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号S200：构建由生成器g、特征网络f、故障分类器f_c、鉴别器d、辅助分类器ac和诊断网络diag组成的半监督生成对抗网络并进行训练，训练包括如下步骤：S201：对生成器g进行训练，生成故障状态以及正常运行下的伪轴承振动信号S202：以振动信号x_f、x_h以及伪轴承振动信号对特征网络f、故障分类器fc、鉴别器d和辅助分类器ac进行训练；S203：待步骤S201和步骤S202的训练收敛后，以振动信号x_h、x_f和伪轴承振动信号对诊断网络diag进行训练；S300：将待测轴承振动信号输入训练后的诊断网络diag进行故障诊断。

技术领域

本公开属于轴承故障诊断技术领域，具体涉及一种基于半监督对抗网络的轴承故障诊断方法。

背景技术

对于高速列车和航空航天飞行器等高端设备，每次故障的发生意味着巨额的财产损失和不可挽回的人员伤亡，而轴承状态监测与故障诊断是其故障预测与健康管理(PHM)的核心任务之一，以卷积神经网络为代表的深度学习方法已经在轴承故障诊断任务中取得了很大的成功，这一成就得益于它的网络结构特征和训练方法，如局部权值共享等。然而在实际应用过程中，高速列车、风力发电设备、航空发动机等高端装备的轴承运行状态可以通过传感器进行实时监测，从而获得大量正常运行状态的数据，如发生异常，则必须立即停机或返回工厂维修，以防止发生灾难性事故。因此，在各种故障状态下，难以获得大量真实数据，这就导致在构建故障识别模型时出现数据类别不平衡的问题，使得深度卷积神经网络的分类精度大大降低。

一般来说，解决数据类别不平衡的方法可以分为基于数据的方法和基于分类器的方法。基于数据的方法最常用的就是数据过采样和数据欠采样，利用合成少数群体过采样技术随机生成新的少数样本类别数据则是其中最为经典的策略；同时，利用生成对抗网络来生成少数样本类别的数据同样备受欢迎，它是一个使用极大极小博弈的生成模型框架，具有表示复杂和高维数据的能力，已被应用于各个领域，并产生了各种有监督的、无监督的变体。然而在常规的生成对抗网络中，故障模式等数据特性都没有明确的定义，样本生成过程完全依赖随机采样，结果不可控，同时只针对少数样本类别进行模型学习，很难得到可靠的、高质量样本。基于分类器的方法则包括调整分类器的阈值、代价敏感学习和单类分类等方法。例如，基于支持向量数据描述机器学习方法建立机械故障诊断的二叉树模型，然而二叉树的构造受到不同故障类别不平衡程度的限制。

综上所述，现有针对数据类别不平衡的轴承故障诊断方法，包括基于数据的方法和基于分类器的方法，都能在一定程度缓解样本不平衡所带来的负面影响，但是在实际应用中依然存在着：1)对样本数量要求高，难以适应极端不平衡条件下的诊断任务；2)样本生成随机性强，难以实现可靠的特定类别定向增强；3)模型学习过程中无法充分利用多数类别样本的信息；4)在样本生成中没有考虑除了故障类别标签以外的隐藏变量的信息完整性等问题。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成在本国中本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中的不足，本公开的目的在于提供一种基于半监督对抗网络的轴承故障诊断方法，通过借助轴承正常运行状态下的振动信号样本来训练模型，以避免故障样本数量过少而引起的模型欠拟合问题。

为实现上述目的，本公开提供以下技术方案：

一种基于半监督对抗网络的轴承故障诊断方法，包括如下步骤：

S100：采集轴承真实故障时的振动信号x_f、轴承正常运行时的振动信号x_h以及待测轴承振动信号