[发明专利]一种基于生成对抗网络的轴承震动信号增广方法

说明书

本发明公开了一种基于生成对抗网络的轴承震动信号增广方法，包括以下步骤：步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；步骤(2)通过优化器进行特征提取；步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；步骤(4)训练优化器；步骤(5)使用交叉熵损失的方法优化判别器；步骤(6)优化器和判别器交替更新，当判别器无法将优化后的数据正确分类时算法终止。本发明只需要较少的现实工作的震动数据就能生成对此工况下轴承的特有的震动数据。

技术领域

本发明涉及机器学习技术领域，特别涉及一种基于生成对抗网络的轴承震动信号增广方法。

背景技术

近年来，深度学习在计算机视觉、语音识别、自然语言处理等领域获得了巨大的成功，且在多个标准数据集上都取得了最优的结果。但是高准确率的背后需要的是大量的优质的标注数据，现实中数据的标注成本是较高的，这对于一些小型公司乃至一些大公司都是无法承受的。因此需要将在实验室获得的数据迁移到现实场景中，而不是针对每一个不同工作情况下的数据都进行重新训练。同时由于许多现实的应用场景没有条件获取足够的带标签的训练样本，而本发明用少量无标签的现实数据生成的数据，同时具有实验室数据特征和现实工况下数据特征。

生成对抗网络的提出是为了生成逼真的视觉图像,生成对抗网络的框架是由两个具有竞争性损失的网络(生成器和鉴别器)。生成网络的目的是将随机向量映射到真实图像，而鉴别器的目标是区分生成的图像和真实的图像。两个网络在对抗中进步，在进步后继续对抗，由生成网络得的数据也就越来越完美，逼近真实数据，从而可以生成想要得到的数据。当判别器不能判断出结果，此时两个网络都得到最优解，迭代结束。

卷积神经网络中网络深度是非常重要的，但随着网络深度的加深，会导致更高的训练误差。对于一般的卷积神经网络，由此产生的梯度消失和爆炸可用正则化来解决，但若出现了训练集上准确率的饱和下降的问题，这就需要引用残差网络来解决。与普通的神经网络相比，残差网络拥有可以使更深的卷积层直接学习残差的旁路。解决了信息传递时信息丢失和损耗的问题，同时残差网络只需要关注输入到输出中不同的那部分，使得学习的难度有所下降。

任何机器设备在工作一段时间后都会变为欠健康状态，可能会发生故障。随着技术的发展，通过分析设备运行积累的历史数据来判断设备的运行状态，从数据中识别异常的数据，进行设备的故障监测和寿命预测。由于每个机器的工作情况都不相同，在一台机器上测得数据不能迁移到其他机器上，如果重新在其他机器上训练数据，其数据成本又会增加。本发明通过提取现实加工数据的特征，能提高故障检测和寿命预测准确率，有效降低训练成本。

本发明在生成对抗网络的框架下，为了尽可能的提取特征和简化网络，选择残差网络作为优化器。优化后的实验室数据和现实工况的数据在辨别器中进行分类判别，交替优化优化器和辨别器，当其无法辨别时，整个模型达到最优。本发明使用少量现实工况下的轴承震动信息，结合在实验室中采集到的数据，对在此现实工况下轴承震动信号的增广。

发明内容

本发明的目的是提供一种基于生成对抗网络的轴承震动信号增广方法，以解决由于现实中不同工作情况下轴承工作中的震动数据难以获取，难以生成每个轴承特有震动模型的问题。

一种基于生成对抗网络的轴承震动信号增广方法，包括以下步骤：

步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；

步骤(2)通过优化器进行特征提取；

步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；

步骤(4)训练优化器；

步骤(5)使用交叉熵损失的方法优化判别器；