[发明专利]核电水泵导轴承故障检测方法、系统、设备及可读存储介质

权利要求书

1.一种核电水泵导轴承故障检测方法，其特征在于，包括以下步骤：

S1，分别采集导轴承正常状态下和故障状态下的振动加速度原始信号，通过基于经验模式分解的阈值滤波方法对获取的振动加速度原始信号进行降噪，然后对降噪后的振动加速度原始信号进行预处理；

基于经验模式分解的阈值滤波方法具体为：

首先，对振动加速度原始信号进行EMD分解，可得：

其中，s为振动加速度原始信号，为第i个基本模式分量，x_k为第i个基本模式伪分量，n、m为整数；

分解出的各基本模式分量与原信号的互相关系数指标为：

式中，为各基本模式分量与振动加速度原始信号的互相关；R_s(τ)为振动加速度原始信号的自相关；

S2，构建含有梯度惩罚项的双向生成对抗网络模型，采用预处理后的振动加速度原始信号中故障状态下的振动加速度原始信号生成的故障样本交替训练双向生成对抗网络模型，采用单样本离差标准化方法以稳定训练过程，构建相似度指标筛选BiGAN生成故障样本；

双向生成对抗网络模型包括生成器G、判别器D和编码器E，编码器E用于提取振动加速度原始信号x_real中的隐变量z，即z＝E(x_real)，生成器G通过从随机噪声向量o中采样，并生成真实的生成故障样本x_generated＝G(o)；判别器D将真实故障样本及其潜变量(z,x_real)和生成故障样本x_generate及噪声(x_generate,o)同时作为网络的输入，进行二分类问题的训练；编码器E和生成器G联合在一起试图迷惑判别器，当判别器无法判断(z,x_real)，(x_generate,o)来源时，说明(z,x_real)，(x_generate,o)联合数据分布相似，当训练达到最优解时，可得G＝E^-1，进而保证生成样本x_generate和真实样本x_real数据分布相似；

生成对抗网络模型采用Wasserstein-1距离和梯度惩罚方法以稳定训练过程，Wasserstein-1距离计算式定义为：

式中，A₁是真实数据分布，A₂是生成数据分布，Π(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；

应用Wasserstein-1距离及Kantorovich-Rubinstein对偶原理，模型训练过程可表示为：

其中，Ω是1-Lipschitz函数的集合，D为判别器，G为生成器，E为编码器，表示来自于真实数据分布的期望值，表示来自于噪声数据分布的期望值；

Lipschitz约束D∈Ω通过限制判别器输出相对于其输入的梯度范数来实施，所述双向生成对抗网络模型损失函数可以表示为：

其中，在从(x_real,z)和(x_generate,o)采样的成对点连线上，为其对应数据分布，λ＝10，为梯度惩罚项；

相似度指标C_in，其计算式为：

C_in＝diag{FC,FSD}

其中，FC为重心频率，FV频率方差，FSD为频率标准差；其计算式分别为：

其中，A(f_t)为幅值，f_t为频率；

计算真实样本与生成样本指标欧氏距离若计算结果与相差较小，可认为生成故障样本与真实故障样本具有高度相关性，生成故障样本可作为真实故障样本的补充数据；

S3，构建导轴承卷积神经网络的故障检测模型，利用预处理后的振动加速度原始信号生成的训练集和步骤s2得到的生成故障样本作为故障检测模型的训练集对故障检测模型进行训练，利用训练完成的故障检测模型对监测输入数据进行检测检测，实现核电水泵导轴承故障检测。