一种小样本数据下基于生成模型的机械设备故障智能诊断
方法
技术领域
背景技术
[0002] 机械设备运行的过程中，其主要零部件诸如
轴承、
齿轮、
转子等由于持续承受
载荷的作用，容易发生故障，进而造成经济损失与人员伤亡。为了降低由于机械设备故障带来的损失，有必要开展针对机械设备的故障诊断和状态监测研究。实际工况下在机械设备上采集到的各类机械
信号均会受到噪声的污染，难以进行机械信号的有效特征提取和状态识别。对机械信号进行去噪和特征提取通常被视为机械设备故障诊断的主要工作和主要重、难点，长期以来大量的机械设备智能诊断
算法都聚焦于对机械信号进行去噪和特征提取上。
[0003] 然而，在实际工况中很难获得机械设备的故障信号，获取到的故障信号数量少，种类也少。另一方面，对机械设备智能诊断算法进行训练时需要有大量的故障样本才能提高它的泛化性以及工程实用性。小样本问题严重影响了对机械设备进行故障诊断和状态监测的及时性和准确性，因此有必要开展针对小样本问题下的机械设备故障诊断的研究。
[0004] 传统上故障诊断过程中扩充数据集的方式是过
采样，但
过采样也只是在重复利用仅有的少量的故障样本信息，不具有一般性。
发明内容
[0005] 本发明的目的在于提供一种小样本数据下基于生成模型的机械设备故障智能诊断方法，以克服
现有技术存在的问题，本发明使用深度
卷积神经网络对机械信号进行特征提取和运行状态识别，能够有效提取出机械信号中的敏感特征，摆脱了传统上特征提取过程对人工经验的依赖性。
[0006] 为达到上述目的，本发明采用如下技术方案：
[0007] 一种小样本数据下基于生成模型的机械设备故障智能诊断方法，该方法包括以下步骤：
[0008] 步骤1：以机械设备各种运行状态下的机械信号作为数据集合，对获取到的少量机械信号进行标准化预处理；
[0009] 步骤2：建立用于机械信号生成的生成对抗复合神经网络模型，该复合神经网络模型包含生成器以及带有辅助分类器的判别器两个网络子结构；
[0010] 步骤3：对步骤2建立的复合神经网络模型，结合Wasserstein距离以及梯度惩罚方法，进行对抗式地训练并更新生成器和带有辅助分类器的判别器的网络参数，从而使生成器实现使用高斯噪声生成带标签数据的功能，进而可获得带有运行状态标签的机械信号；
[0011] 步骤4：建立使用机械信号对机械设备运行状态进行分类识别的神经网络模型，模型输入数据为小于总数据量5％的真实机械信号以及由步骤3的生成器生成的带运行状态标签的机械信号，模型输出为每一条数据所对应的运行状态的概率值；
[0012] 步骤5：对步骤4所建立的卷积神经网络状态分类模型，使用Dropout以及Batch normalization参数正则化方法防止训练过拟合，稳定训练过程，从而使网络更快速更稳定完成状态分类工作；
[0013] 步骤6：结合步骤3所设计的生成对抗复合神经网络模型以及步骤5所设计的卷积神经网络状态分类模型，使用小于总数据量5％的真实机械信号训练两个网络，从而使生成对抗复合神经网络模型能够生成和真实机械信号具有相同分布的数据，并使卷积神经网络状态分类模型能够获得95％以上的状态分类正确率，最终实现小样本数据下的对机械设备的智能故障诊断。
[0014] 进一步地，步骤1中所述的数据标准化预处理使用零均值规范化，计算式为：
[0015]
[0016]
[0017]
[0018] 式中，n为单条
输入信号的数据点个数，xi为输入信号中的第i个数据点，为输入信号的均值，s为输入信号的样本标准差，yi为零均值规范化处理后的新信号中的第i个数据。
[0019] 进一步地，步骤2中所述的生成器由4层全连接层构成，负责生成与真实机械信号具有相同分布的数据。带有辅助分类器的判别器由5层全连接层构成，同时完成判断生成数据的真假以及生成数据的类别两项工作。
[0020] 进一步地，步骤3使用Wasserstein距离优化复合网络模型的损失函数以稳定训练过程，Wasserstein距离计算式定义为：
[0021]
[0022] 式中，A1是真实数据服从的分布，A2是生成数据服从的分布，∏(A1,A2)是A1和A2分布组合起来的所有联合分布的集合，γ是其中的一个联合分布，(x,y)是γ中的一对样本，E(x,y)～γ[||x-y||]为该样本距离的期望值。
[0023] 进一步地，步骤3所用的梯度惩罚是
指针对判别器部分，在生成样本集中区域、真实样本集中区域以及夹在它们中间的区域上施加Lipschitz限制。具体地，先随机采样一对真假样本，还有一个0-1的随机数：
[0024] xr～Ar,xf～Af,ε～Uniform[0,1]
[0025] 然后在xr和xf的连线上随机插值采样： 记采样得到的 所满足的分布记为 则由Lipschitz限制所额外带来的损失值计算式为：
[0026]
[0027] 式中，Ll为由Lipschitz限制所额外带来的损失值，xr是真实数据样本，Ar为真实数据分布，xf是生成的数据样本，Af为生成的数据分布，ε是一个0-1的随机数，D(x)为判别器的输出值， 为判别器输出值的导数值的第二范数， 表示该第二范数减一的平方的期望值，λ为任意小于1的正数。
[0028] 进一步地，步骤4中所设计的卷积神经网络状态分类模型是由6层卷积层6层
池化层组成的深度卷积神经网络，采用首层卷积层为大卷积核大步长，中间和末尾卷积层为小卷积核小步长的参数配置策略，具体来说，设置首层卷积层中的卷积核大小为中间和末尾卷积层中卷积核大小的8倍，并设置首层卷积层中的步长大小为中间和末尾卷积层中步长大小的4倍，以达到更好的机械信号特征提取以及运行状态分类的效果。网络模型的损失函数采用交叉熵损失函数，计算式为：
[0029]
[0030] 式中，L为损失值，y为期望输出的标签信息，实际网络输出的标签信息。
[0031] 进一步地，步骤5中使用Dropout参数正则化方法防止卷积神经网络发生过拟合。Dropout方法是指在一轮训练中，首先使每个神经单元
节点以概率p被保留(Dropout丢弃率为1-p)，其余节点被隐藏，然后再进行本轮的网络训练和参数更新的过程。在下一轮训练中，又将每个神经单元节点以概率p被保留，如此反复，直至训练结束。
[0032] 进一步地，步骤5中使用Batch normalization参数正则化方法以稳定训练过程。Batch normalization方法分为4个步骤：
[0033] 对于输入数据x＝{x1,x2,...,xm}，首先计算数据均值 m为每一条输入数据中数据点的个数，xi为输入数据中的第i个数据点；
[0034] 其次计算数据方差
[0035] 然后进行批规范化得到新的数据中的第i个数据点为 其中η为防止发生除零错误而设置的微小正数；
[0036] 最后进行尺度变换和偏移： α和β为网络自身在训练过程中学习到的参数。
[0037] 该方法适用于小样本数据下的机械设备故障诊断，仅使用小于总数据量5％的数据对网络进行训练就能够有效地扩充
训练数据集，进而获得95％以上的机械设备运行状态分类正确率，提高了小样本数据下对机械设备故障诊断的准确率。
[0038] 与现有技术相比，本发明具有以下有益的技术效果：
[0039] 本发明使用深度卷积神经网络对机械信号进行特征提取和运行状态识别，能够有效提取出机械信号中的敏感特征，摆脱了传统上特征提取过程对人工经验的依赖性；本发明通过生成模型的对抗式训练，使用一种网络模型同时生成了多种不同运行状态的机械信号，有效地扩充了机械设备故障信号数据集；本发明通过结合生成模型和深度卷积神经网络，能够有效地在小样本数据下对机械设备进行故障诊断，提高了小样本数据下对机械设备故障诊断的准确率。
[0040] 本发明采用的生成模型能够学习数据的分布，进而生成与给定数据具有相同分布的新数据，利用生成模型的这一优点，可以生成不同种类的机械信号，生成的信号与实际的机械信号具有相同的数据分布，因此生成的信号更具有一般性，能够用来训练智能诊断算法，提高在小样本数据下对机械设备故障诊断的准确率。
附图说明
[0041] 图1为本发明小样本数据下基于生成模型的机械设备故障智能诊断方法的
流程图；
[0042] 图2为使用本发明对某包含四种轴承运行状态的数据集进行状态分类的结果图；
[0043] 图3为使用本发明对某包含四种轴承运行状态的数据集进行状态分类时的特征提取图；
[0044] 图4为使用本发明对某包含四种轴承运行状态的数据集进行机械信号生成的结果图，其中(a)为
外圈故障真实信号；(b)为外圈故障生成信号；(c)为正常状态真实信号；(d)为正常状态生成信号；(e)为
内圈故障真实信号；(f)为内圈故障生成信号；(g)为滚珠故障真实信号；(h)为滚珠故障生成信号。
具体实施方式
[0045] 下面结合附图对本发明作进一步详细描述：
[0046] 参见图1，为了提高在小样本数据下对机械设备故障诊断的准确率，本发明提供一种小样本数据下基于生成模型的机械设备智能诊断方法。该方法包含两个部分：故障信号生成部分和状态分类识别部分。其中故障信号生成部分是基于生成对抗模型实现的，生成对抗模型中的生成器可以按照给定标签生成对应故障类型的故障信号，带辅助分类器的判别器可以判断生成信号的真假以及判别生成信号的类别。通过对抗式的训练，生成器可以获得良好的生成能
力，以此来扩充数据集。状态分类识别部分由深度卷积神经网络实现，能够有效地从机械信号中提取特征信息进而进行机械设备运行状态的分类识别。
[0047] 一种小样本数据下基于生成模型的机械设备故障智能诊断方法，包括以下步骤：
[0048] 步骤1：以机械设备各种运行状态下的机械信号作为数据集合，对获取到的少量机械信号进行标准化预处理；
[0049] 其中数据标准化预处理使用零均值规范化，计算式为：
[0050]
[0051]
[0052]
[0053] 式中，n为单条输入信号的数据点个数，xi为输入信号中的第i个数据，为输入信号的均值，s为输入信号的样本标准差，yi为零均值规范化处理后的新信号中的第i个数据。
[0054] 步骤2：建立用于机械信号生成的生成对抗复合神经网络模型，该复合神经网络模型包含生成器以及带有辅助分类器的判别器两个网络子结构。
[0055] 其中，生成器由4层全连接层构成，负责生成与真实机械信号具有相同分布的数据。带有辅助分类器的判别器由5层全连接层构成，同时完成判断生成数据的真假以及生成数据的类别两项工作。
[0056] 步骤3：对步骤2建立的复合网络结构，结合Wasserstein距离以及梯度惩罚方法，进行对抗式地训练并更新生成器和带有辅助分类器的判别器的网络参数，从而使生成器实现使用随机高斯噪声生成带标签数据的功能，进而可获得具有运行状态标签的机械信号。
[0057] 使用Wasserstein距离优化复合网络模型的损失函数以稳定训练过程，Wasserstein距离计算式定义为：
[0058]
[0059] 式中，A1是真实数据服从的分布，A2是生成数据服从的分布，∏(A1,A2)是A1和A2分布组合起来的所有联合分布的集合，γ是其中的一个联合分布，(x,y)是γ中的一对样本，E(x,y)～γ[||x-y||]为该样本距离的期望值。
[0060] 所用的梯度惩罚是指针对判别器部分，在生成样本集中区域、真实样本集中区域以及夹在它们中间的区域上施加Lipschitz限制。具体地，先随机采样一对真假样本，还有一个0-1的随机数：
[0061] xr～Ar,xf～Af,ε～Uniform[0,1]
[0062] 然后在xr和xf的连线上随机插值采样： 记采样得到的 所满足的分布记为 则由Lipschitz限制所额外带来的损失值计算式为：
[0063]
[0064] 式中，Ll为由Lipschitz限制所额外带来的损失值，xr是真实数据样本，Ar为真实数据分布，xf是生成的数据样本，Af为生成的数据分布，ε是一个0-1的随机数，D(x)为判别器的输出值， 为判别器输出值的导数值的第二范数， 表示该第二范数减一的平方的期望值，λ为任意小于1的正数。
[0065] 步骤4：建立使用机械信号对机械设备运行状态进行分类的神经网络模型，模型输入数据为小于总数据量5％的真实机械信号以及由步骤3的生成器生成的带标签的机械信号，模型输出为每一条数据所对应的运行状态的概率值。
[0066] 所设计的卷积神经网络状态分类模型是由6层卷积层6层池化层组成的深度卷积神经网络，采用首层卷积层为大卷积核大步长，中间和末尾卷积层为小卷积核小步长的参数配置策略，具体来说，设置首层卷积层中的卷积核大小为中间和末尾卷积层中卷积核大小的8倍，并设置首层卷积层中的步长大小为中间和末尾卷积层中步长大小的4倍，以达到更好的机械信号特征提取以及运行状态分类的效果。网络模型的损失函数采用交叉熵损失函数，计算式为：
[0067]
[0068] 式中，Lc为交叉熵损失函数的损失值，y为期望输出的标签信息，实际网络输出的标签信息。
[0069] 步骤5：对步骤4所建立的卷积神经网络状态分类模型，使用Dropout以及Batch normalization参数正则化方法防止训练过拟合，稳定训练过程，从而使网络更快速更稳定完成状态分类工作。
[0070] 其中，使用Dropout参数正则化方法防止卷积神经网络发生过拟合。Dropout方法是指在一轮训练中，首先使每个神经单元节点以概率p被保留(Dropout丢弃率为1-p)，其余节点被隐藏，然后再进行本轮的网络训练和参数更新的过程。在下一轮训练中，又将每个神经单元节点以概率p被保留，如此反复，直至训练结束。
[0071] 使用Batch normalization参数正则化方法以稳定训练过程。Batch normalization方法分为4个步骤：
[0072] 对于输入数据x＝{x1,x2,...,xm}，首先计算数据均值 m为每一条输入数据中数据点的个数，xi为输入数据中的第i个数据点；
[0073] 其次计算数据方差
[0074] 然后进行批规范化得到新的数据中的第i个数据点为 其中η为防止发生除零错误而设置的微小正数；
[0075] 最后进行尺度变换和偏移： α和β为网络自身在训练过程中学习到的参数。
[0076] 步骤6：结合步骤3所设计的生成对抗复合网络模型以及步骤5所设计的卷积神经网络状态分类模型，使用小于总数据量5％的真实机械信号训练两个网络，从而使生成对抗复合网络模型能够生成和真实机械信号具有相同分布的数据，并使卷积神经网络状态分类模型能够获得95％以上的状态分类正确率，最终实现小样本数据下的对机械设备的智能故障诊断。
[0077] 下面结合具体
实施例对本发明做进一步详细描述：
[0078] 所使用的某包含四种轴承运行状态的数据集一共有正常、内圈故障、外圈故障和滚珠故障四种
滚动轴承运行状态，每种运行状态包含148条样本，总共包含592条样本。取其中的16条样本作为训练数据，剩余576条样本作为测试数据，训练样本数据量仅占总样本数据量的2.7％。
[0079] 如图1所示，本发明包括以下步骤：
[0080] 步骤1：对获取到的少量滚动轴承四种运行状态的振动信号进行标准化预处理，使用零均值规范化，计算式为：
[0081]
[0082]
[0083]
[0084] 式中，n为单条输入信号的数据点个数，xi为输入信号中的第i个数据，为输入信号的均值，s为输入信号的样本标准差，yi为零均值规范化处理后的新信号中的第i个数据。
[0085] 步骤2：建立用于滚动轴承振动信号生成的生成对抗复合神经网络模型，该复合神经网络模型包含生成器以及带有辅助分类器的判别器两个网络子结构。生成器由4层全连接层构成，完成生成机械振动数据的工作。带有辅助分类器的判别器由5层全连接层构成，同时完成判断生成数据的真假以及生成数据的类别两项工作。
[0086] 步骤3：对步骤2建立的复合神经网络模型，结合Wasserstein距离以及梯度惩罚方法，对抗式地训练并更新生成器和带有辅助分类器的判别器的网络参数，从而使生成器实现使用随机高斯噪声生成带标签数据的功能，进而可获得具有运行状态标签的滚动轴承振动数据。
[0087] Wasserstein距离计算式定义为：
[0088]
[0089] 式中，A1是真实数据服从的分布，A2是生成数据服从的分布，∏(A1,A2)是A1和A2分布组合起来的所有联合分布的集合，γ是其中的一个联合分布，(x,y)是γ中的一对样本，E(x,y)～γ[||x-y||]为该样本距离的期望值。
[0090] 梯度惩罚是指针对判别器部分，在生成样本集中区域、真实样本集中区域以及夹在它们中间的区域上施加Lipschitz限制。具体地，先随机采样一对真假样本，还有一个0-1的随机数：
[0091] xr～Ar,xf～Af,ε～Uniform[0,1]
[0092] 然后在xr和xf的连线上随机插值采样： 记采样得到的 所满足的分布记为 则由Lipschitz限制所额外带来的损失值计算式为：
[0093]
[0094] 式中，Ll为由Lipschitz限制所额外带来的损失值，xr是真实数据样本，Ar为真实数据分布，xf是生成的数据样本，Af为生成的数据分布，ε是一个0-1的随机数，D(x)为判别器的输出值， 为判别器输出值的导数值的第二范数， 表示该第二范数减一的平方的期望值，λ为任意小于1的正数。
[0095] 步骤4：建立使用振动信号对滚动轴承运行状态进行分类的神经网络模型，该模型是由6层卷积层6层池化层组成的深度卷积神经网络，采用首层卷积层为大卷积核大步长，中间和末尾卷积层为小卷积核小步长的参数配置策略，具体来说，设置首层卷积层中的卷积核大小为中间和末尾卷积层中卷积核大小的8倍，并设置首层卷积层中的步长大小为中间和末尾卷积层中步长大小的4倍，以达到更好的振动数据特征提取以及运行状态分类的效果。网络模型的损失函数采用交叉熵损失函数，定义式为：
[0096]
[0097] 式中，Lc为交叉熵损失函数的损失值，y为期望输出的标签信息，实际网络输出的标签信息。
[0098] 步骤5：对步骤4所建立的卷积神经网络状态分类模型，使用Dropout以及Batch normalization参数正则化方法防止训练过拟合，稳定训练过程，从而使网络更快速更稳定完成状态分类工作。
[0099] Dropout方法是指在一轮训练中，首先使每个神经单元节点以概率p被保留(Dropout丢弃率为1-p)，其余节点被隐藏，然后再进行本轮的网络训练和参数更新的过程。在下一轮训练中，又将每个神经单元节点以概率p被保留，如此反复，直至训练结束。
[0100] 而使用的Batch normalization方法分为4个步骤：
[0101] 对于输入数据x＝{x1,x2,...,xm}，首先计算数据均值 m为每一条输入数据中数据点的个数，xi为输入数据中的第i个数据点；
[0102] 其次计算数据方差
[0103] 然后进行批规范化得到新的数据中的第i个数据点为 其中η为防止发生除零错误而设置的微小正数；
[0104] 最后进行尺度变换和偏移： α和β为网络自身在训练过程中学习到的参数。
[0105] 步骤6：结合步骤3所设计的生成对抗复合神经网络模型以及步骤5所设计的卷积神经网络状态分类模型，使用少量滚动轴承真实振动信号训练两个网络，使生成对抗复合神经网络模型能够生成和真实振动信号具有相同分布的数据，并使卷积神经网络状态分类模型能够在使用小于总数据量5％的真实振动信号以及生成模型生成的信号训练的情况下获得95％以上的状态分类
精度，最终实现小样本数据下的对滚动轴承的智能故障诊断。
[0106] 在图2中，数字0代表外圈故障状态，数字1代表正常状态，数字2代表内圈故障状态，数字3代表滚珠故障状态。如图2所示，本发明在小样本数据下实现了对某包含四种轴承运行状态的数据集的正确分类，并且从图3可见本发明良好地完成了对轴承振动信号的特征提取。同时从图4可见本发明有效地生成了不同运行状态下了轴承振动信号，成功地对数据集进行了扩充。
[0107] 以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明。所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何
修改、等同替换、改进等，均应包含在本发明的保护范围之内。
