一种基于半监督学习深度对抗网络的故障诊断方法
专利汇可以提供一种基于半监督学习深度对抗网络的故障诊断方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于半 监督学习 深度对抗网络的故障诊断方法，获取不同工作故障下 轴承 的振动 信号 ，将故障轴承的振动时域信号进行 小波变换 为二维图像；通过生成对抗网络对少量有标签的数据进行监督学习，对大量无标签的数据进行无监督训练，用 卷积神经网络 提取高维特征实现数据的分类，从而识别轴承的故障类别。本发明实现了在有限的带标签数据的情况下训练得到高 精度 的故障诊断模型，得到更准确的判别器，从而能够基于 滚动轴承 的振动信号进行精准故障诊断。，下面是一种基于半监督学习深度对抗网络的故障诊断方法专利的具体信息内容。
1.一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，包括以下步骤：
S1，获取包含有k类轴承故障的样本总集合Y＝{Y1,Y2,Y3,…Yk}，即Y＝{Yi}，i＝1,2,
3,…k；
Yi表示第i类轴承故障所对应的样本集合， 即 j＝1,2,
3,…M；
表示第i类轴承故障所对应的样本集合Yi中的第j个样本数据；
所述样本数据是指轴承的振动信号，且样本数据为一维向量；
S2，将样本数据转换为二维图像格式，得到二维样本数据，转换后的二维图像格式不仅包括振动信号的时域特征，还包括振动信号的频域特征；
S3，根据步骤S2所得的二维样本数据生成训练集；所述训练集中包括：带标签的二维样本数据，无标签的二维样本数据；其中，标签是指轴承故障类别；带标签的二维样本数据和无标签的二维样本数据均为真实样本；
S4，将训练集输入判别器D中，若判别器D的输入为带标签的二维样本数据时，则进行监督学习；若判别器D的输入为无标签的二维样本数据时，则进行无监督学习；
在监督学习阶段，将带标签的二维样本数据输入到判别器D进行监督学习，判别器D能够判别出带标签的二维样本数据的标签即故障类别即可达到要求；
在无监督学习阶段，构建一个生成器G与判别器D进行对抗训练，借助生成对抗网络进行无监督学习；所述生成器G将随机噪声v映射为伪样本数据，且伪样本数据也为二维图像格式，即将随机噪声v映射为二维伪样本数据；所述生成器G的模型结构如下：生成器G:v→z，z＝G(v,θg)；其中，G(·)表示将随机噪声v映射为二维图像格式的伪样本数据的模型，θg表示模型参数，z表示输出的伪样本数据；将无标签的二维样本数据和二维伪样本数据输入到判别器D进行无监督学习，判别器D能够判别出无标签的二维样本数据为真实样本即可达到要求；即，不论输入无标签的二维样本数据的具体故障类别，判别器D只要能够输出该无标签的二维样本数据为真实样本即可达到要求；
S5，基于判别器D进行的监督学习，以及基于判别器D与生成器G之间的生成对抗网络以进行的无监督学习，构成了基于半监督学习深度对抗网络的故障诊断模型，并对该故障诊断模型进行训练；
S6，对训练完成后的故障诊断模型进行模型测试，以对判别器D进行优化；
S7，后续的，已知轴承的振动信号后，即可利用优化后的判别器D进行故障诊断。
2.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S2中，利用小波变换将样本数据转换为二维图像格式，得到二维样本数据；
所述小波变换的公式，如下式所示：
式中，a表示缩放因子，用于小波函数的伸缩；τ表示平移因子，用于控制小波函数的平移；f(t)表示振动信号即一维向量；t表示时间；ψ(·)表示小波函数；WT(·)表示小波变换；
小波函数ψ(·)的公式，如下式所示：
3.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，所述生成器G的网络结构为：首先是一个全连接层将原始输入即随机噪声x映射到1024维向量，后面再依次连接四个反卷积模块组成，每个反卷积模块均依次连接包括：一个反卷积层，一个批归一化层即BN，一个relu激活函数层；
所述反卷积模块的形式化表示如下式所示：
式中， 表示反卷积运算；Wg表示反卷积核；bg表示反卷积核偏置；hθ表示反卷积运算的结果；上标g用于标识生成器G的参数；BN(·)表示批归一化；relu(·)表示relu激活函数；
此四个依次连接的反卷积模块中的反卷积核的大小均为5，此四个依次连接的反卷积模块中的反卷积核数目依次为256、128、64、1。
4.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，所述判别器D模型结构为：判别器D由三个卷积模块组成，每个卷积模块均为：首先是一个二维卷积操作即一个卷积层，其次是一个最大池化层Maxpool，然后接一个批归一化层即BN，最后接一个leakrelu激活函数层；
所述卷积块的形式化表示如下式所示：
md＝Max_pool(Wd*x+bd)；
hd＝lrelu(BN(md))；
式中，*表示卷积运算；Wd表示卷积核；bd表示卷积核偏置；hd表示卷积运算的结果；上标d用于标识判别器D的参数；Max_pool(·)表示最大池化；BN(·)表示批归一化；relu(·)表示leakrelu激活函数；
此三个卷积模块的卷积核大小依次为5、3、3，此三个卷积模块的卷积核数目分别为64、
128、256。
5.根据权利要求1所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，所述判别器D的输出类别共包括k+1类，判别器D的输出l为一个k+1维的向量，即l＝{l1,l2,l3,…lk,lk+1}；其中，前k类均表示判别为真实样本，且分别对应k类轴承故障，即l＝{l1,l2,l3,…lk,0}；第k+1类表示判别为伪样本，即l＝{l1,l2,l3,…lk,1}。
6.根据权利要求5所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S4中，采用softmax函数替换判别器的输出，将判别器的输出l转换为P＝{P1,P2,P3,…Pk,Pk+1}；softmax函数如下式所示：
式中，Pn表示判别器输出结果为第n类的概率；n＝1,2,3…k均表示判别为真实样本，且分别对应k类轴承故障；n＝k+1表示判别为伪样本；e为自然常数。
7.根据权利要求6所述的一种基于半监督学习深度对抗网络的故障诊断方法，其特征在于，步骤S5中，故障诊断模型的训练分为三部分，分别对以下三个损失函数进行优化：
对于训练集中的带标签的二维样本数据，判断其输出的标签是否正确，即，带标签的二维样本数据分类正确的概率Llabel：
对于训练集中的无标签的二维样本数据，判断输出是否为真实样本，即无标签的二维样本数据不被判别为第k+1类的概率Lunlabel：
对于训练集中的二维伪样本数据，判断输出是否为伪样本，即二维伪样本数据被判别为第k+1类的概率Lfake：
上述式中，Pmodel(y|x，y＜k+1)表示判别器D的输出为前k类即真实样本的概率；Pmodel(y＝k+1|x)表示判别器D的输出为第k+1类即伪样本的概率；Gdata表示生成器生成的伪样本；
Pdata表示真实样本；x表示判别器D的输入数据；y表示判别器D的输入数据的标签；x,y～Pdata表示输入数据x为带有标签y的，且从Pdata中选取的真实样本；x～Pdata表示输入数据x为不带标签的，且从Pdata中选取的真实样本；x～Gdata表示输入数据x为生成器生成的，且从Gdata选取的伪样本；E表示期望； 表示将所有带标签的输入数据被判断为真实样本的概率的期望； 表示将所有不带标签的输入数据被判断为真实样本的概率的期望；
表示将所有生成器生成的输入数据被判断为伪样本的概率的期望；
所述生成对抗网络的目标函数包括：判别器D的损失函数LD和生成器G的损失函数LG；其中，
所述判别器D的损失函数LD，具体公式如下式所示：
LD＝Llabel+Lunlabel+Lfake+Dregular；
式中，Dregular表示对判别器D中的所有Wd做的L2正则化；Wd表示判别器D中的网络参数；
所述生成器G的损失函数LG，具体公式如下式(11)所示：
LG＝-Lfake+0.01*Gfeature_matching；
式中，Gfeature_matching表示训练过程中生成器G匹配判别器D的中间层上的特征的预期值；
判别器D的中间层是指卷积层；
得到所述生成对抗网络的目标函数后，使用反向传播算法对故障诊断模型的模型参数即θd和θg进行训练，使用Adam算法对模型参数进行更新，所述Adam算法通过计算梯度的一阶矩估计和二阶矩估计，为不同的模型参数提供独立的自适应学习率，其中，θd和θg分别为判别器D和生成器G的模型参数；
上述式中，α、β1、β2均为Adam优化器参数； 均为故障诊断模型的整体网络模型参数； 均为用求导数的方式找的模型最优点。
一种基于半监督学习深度对抗网络的故障诊断方法
技术领域
背景技术
发明内容
x,y～Pdata表示输入数据x为带有标签y的，且从Pdata中 选取的真实样本；x～Pdata表示输入数据x为不带标签的，且从Pdata中选取的真实 样本；x～Gdata表示输入数据x为生成器生成的，且从Gdata选取的伪样本；E表示 期望； 表示将所有带标签的输入数据被判断为真实样本的概率的期望； 表示将所有不带标签的输入数据被判断为真实样本的概率的期望； 表示将所有生成器生成的输入数据被判断为伪样本的概率的期望；
具体实施方式
x,y～Pdata表示输入数据x为带有标签y的，且从Pdata中 选取的真实样本；x～Pdata表示输入数据x为不带标签的，且从Pdata中选取的真实 样本；x～Gdata表示输入数据x为生成器生成的，且从Gdata选取的伪样本；E表示 期望； 表示将所有带标签的输入数据被判断为真实样本的概率的期望； 表示将所有不带标签的输入数据被判断为真实样本的概率的期望； 表示将所有生成器生成的输入数据被判断为伪样本的概率的期望；
Gfeature_matching即为：
式找的模型最优点
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种基于商用WiFi的位置自适应动作识别方法 | 2020-05-08 | 1596 |
| 一种机器学习算法自动选择方法和系统 | 2020-05-12 | 104 |
| 基于语义传播及混合多示例学习的Web图像检索方法 | 2020-05-16 | 639 |
| 一种半监督学习的训练方法、系统和计算机可读存储介质 | 2020-05-18 | 795 |
| 一种基于半监督学习深度对抗网络的故障诊断方法 | 2020-05-12 | 671 |
| 一种室外场景三维彩色点云分类方法 | 2020-05-14 | 637 |
| 一种基于语音和表情的自适应权重双模态融合情感识别方法 | 2020-05-19 | 142 |
| 一种图形化编程的深度学习神经网络搭建方法 | 2020-05-18 | 737 |
| 一种运维系统及方法 | 2020-05-14 | 754 |
| 一种面向半结构化数据流的实时主题分类方法 | 2020-05-16 | 842 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
