[发明专利]一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统

说明书

本发明公开了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，本方法设计计算机视觉领域，主要解决工业生产中故障轴承数据量少，故障样本不平衡，成功检测率低的问题。应用生成对抗网络提高样本容量，在通过卷积循环神经网络训练样本，以达到对轴承故障的分类，提高检测准确率。

技术领域

本发明属于轴承故障检测领域，具体涉及一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统。

背景技术

我的机电设备行业蓬勃发展，机电设备的关键核心部件轴承严重影响着机电设备的使用，对机电轴承故障及时的检测能够大大提高机电设备的使用寿命，但目前对机电轴承的检测大多数还停留在人工检测或一般的智能检测，检测效率较低，极大影响了机电行业的生产效率。

随着卷积神经网络的不断发展，卷积神经网络在物体的识别与检测方向产生了很好的效果，循环神经网络对处理具有序列特性的数据非常有效,它能挖掘数据中的时序信息。优良的卷积神经网络和循环神经网络需要大量的数据进行训练，但实际生产中缺少轴承故障数据，应用生成对抗神经网络可以使不平衡的样本趋向平衡，进而使用平衡数据集训练卷积神经网络与循环神经网络相结合的网络结构，从而提高预测是准确率，提升模型泛化性，减少训练所需要的时间。

发明内容

针对以上问题，本发明提供了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统。本方法将生成对抗神经网络、卷积神经网络、循环神经网络相结合，从而能够准确检测机电设备轴承的故障。

本发明是这样实现的，本发明提供了一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，第一步是通过加速度传感器采集轴承数据，对数据集进行清洗、分类，第二步是通过生成对抗神经网络数据使不平衡的数据集趋于平衡，第三步是构建卷积循环神经网络，第四步是对构建的卷积循环神经网络进行训练，第五步是对训练好的卷积循环神经网络进行测试，输出是否存在故障以及故障种类。

（一）数据准备阶段:通过加速度传感器对轴承加速度进行实时采集，对采集的数据进行清洗、分类，并且按照9:1比例划分成训练样本、测试样本；

（二）生成对抗神经网络数据增强阶段：利用深层卷积神经网络提取不平衡样本特征，构建DCGAN的生成器和判别器，应用DCGAN产生足量故障数据。

（三）卷积循环神经网络构建阶段：该模型包括两个部分：第一个部分为卷积神经网络CNN，第二部分分为双向长短期记忆网络BiLSTM；

（四）网络训练阶段：使用经过加强的数据集对卷积循环神经网络进行训练。

（五）、网络测试阶段：使用训练好的卷积神经网络对测试数据进行测试，检测是否存在轴承故障，以及故障种类，最终将结果反馈给用户。

步骤（一）中，数据准备阶段按以下步骤：

a、通过将加速度传感器安装在轴承端，通过传感器对轴承数据进行采集、清洗，将处理过的数据按照K-means算法进行故障分类；

b、将分类好的数据，按照9:1比例划分成训练样本、测试样本，每组样本100条数据，每条数据包含1024个点,使用one-hot编码技术对样本数据进行标签化处理。

步骤（二）中，生成对抗神经网络数据增强阶段按以下步骤：

a、使用不平衡数据训练深层卷积神经网络，将提取到的不平衡样本参数添加到生成对抗网络生成器的训练损失函数中；

b、生成对抗网络的损失函数：

其中V（D，G）表示真实样本与生成样本的差异程度，G表示生成器，D代表判别器，D（x）表示对真实的样本进行判别，G（z）表示生成的样本；