[发明专利]一种基于谱范数GAN的多工况机械故障诊断方法

说明书

本发明公开一种基于谱范数GAN的多工况机械故障诊断方法，其包括：数据采集和基于短时傅里叶变换的信号预处理，以机械的原始时域振动信号为输入样本，采集变工况的实验数据作为不同领域的样本，并标注领域标签，其中人工标注标签的数据作为源域数据；未被人工标注的标签为目标域数据；将源域数据和目标域数据利用短时傅里叶变换将时域振动信号转化为特征时频图；对源域特征时频图进行卷积操作，提取故障特征，构建初始化的卷积神经网络模型得到预训练模型。该方法通过特征提取器和领域判别器之间的对抗学习获得跨领域不变特征，实现不同领域之间的迁移，实现了对变工况机械故障的智能诊断。

技术领域

本发明属于机械故障诊断领域及人工智能技术领域，具体是一种基于谱范数GAN的多工况机械故障诊断方法。

背景技术

在智能制造的背景下，伴随着信息技术的发展，信息化和工业化的深度融合已然成为推动制造强国战略的重要切入点，而机械设备的智能故障诊断也已然成为现代工业的关键技术之一。智能故障诊断融合了机械、计算机、人工智能等学科的技术来对机械设备运行的模式进行识别，能够减少因为设备故障而产生的经济损失，提高经济效益，更重要地是保障设备使用人员的生命安全。因此，对机械设备实施智能故障诊断尤为重要。

而设备故障诊断的本质是模式识别问题，包括一系列特征提取和故障识别。近年来，故障诊断领域的研究者提出各种基于深度学习的故障诊断模型，这些模型在理想的实验室条件下能够取得相当高的精度，但在实际应用中难以应用。主要存在以下三方面的原因：1)目标域数据(实际诊断的数据)缺少标签甚至无标签。实际设备运行时，关键部件信号难以采集，故障信号又远少于正常信号。2)即便采集了大量的故障数据，人为地标定标签却又费时费力且需要专家知识。3)机械设备运行工况复杂。在设备实际运行过程中，设备的负载、转速等工况并不是恒定不变的，这就导致模型训练的数据分布和最终测试的数据分布可能存在一定程度的偏差，这种数据分布的差异就导致故障诊断模型在复杂的工况下精度不高，缺乏鲁棒性。

2014年Goodfellow提出了生成对抗网络(GAN,Generative AdversarialNetworks)，其通过交替训练生成网络和判别网络，使得神经网络能够无监督地学习到数据的特征表示以及不同来源数据之间的距离度量。生成网络的输入是服从一定分布的隐空间向量，其通过生成器生成与训练样本同样分布的数据，判别网络的输入是生成的数据和原始数据，其作用是通过判别器分辨给定输入是真实数据或者是生成的数据，交替训练生成器和判别器更新参数并循环往复这个过程，直至训练完成。训练完成的标志是两个网络达到纳什均衡，即具备辨别能力的判别器无法分辨输入的是真数据还是生成器生成的假数据。利用GAN无监督学习特征表示和距离度量的能力，有助于实现变工况情况下机械故障诊断模型的知识迁移，即使诊断目标域缺少样本标签，依然可以提升机械故障诊断模型的准确率。

发明内容

为实现上述目的，本发明提供如下技术方案：一种基于谱范数GAN的多工况机械故障诊断方法，包括以下步骤：

S1，数据采集和基于短时傅里叶变换的信号预处理，将机械设备的原始时域振动信号作为输入样本，采集变工况下的实验数据作为不同故障诊断领域的样本，并标注故障诊断领域标签，被人工标注标签的数据作为源域数据，未被人工标注的标签为目标域数据，对源域数据和目标域数据进行短时傅里叶变换将时域振动信号转化为特征时频图；

S2，模型预训练，对源域的特征时频图进行卷积操作，提取故障特征，构建初始化的卷积神经网络模型，形成针对源域的高精度故障诊断模型，将源域的高精度故障诊断模型作为预训练模型，将卷积神经网络模型中的参数迁移到目标域的故障诊断模型，所述卷积神经网络模型包括特征提取器和故障识别分类器；