[发明专利]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

摘要

本发明公开了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，对获取到的少量机械信号进行零均值标准化预处理；建立用于机械信号生成的复合网络；结合Wasserstein距离和梯度惩罚方法对抗式地训练生成对抗网络模型；建立使用机械信号对机械设备运行状态进行分类的深度卷积神经网络模型；结合生成对抗复合神经网络模型以及深度卷积神经网络模型，使用少量真实机械信号训练两个网络，最终实现小样本数据下的对机械设备的智能故障诊断。本发明具有对机械信号的特征提取效果好，状态分类正确率高以及机械信号数据扩充性能好的特点。

主权项

1.一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，其特征在于，包括以下步骤：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，对获取到的机械信号进行标准化预处理；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；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，进而获得带有运行状态标签的机械信号；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；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及稳定训练过程，从而使网络更快速更稳定完成状态分类工作；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。