[发明专利]一种机械设备故障种类的诊断方法

权利要求书

1.一种机械设备故障种类的诊断方法，其特征在于包括：

收集不同模型和工况的机械设备故障数据集，并对数据集进行预处理；建立初始的网络模型，多个生成器通过共享局部权重连接，每个生成器对应一个数据集中的机械设备健康状态，对抗学习特征；对模型进行对抗性训练，直至达到纳什均衡状态；生成器的权重不变，训练判别器，直到判别器获得有效的机械设备故障种类判别能力；具体包括以下步骤：

(1)从四个公开数据集中获取用于故障诊断的四个数据集，其中包括凯斯西储大学轴承数据中心轴承数据集、美国机械故障预防技术学会轴承数据集、西安交通大学轴承数据集、美国航空航天局轴承数据集,四个数据集中分别包括正常轴承内圈、外圈和振动数据，分别记为X_i、X_o、X_n；

(2)对步骤(1)的四个数据集中分别进行归一化处理，将四个数据集的固定长度一致，以用于神经网络训练，过程如下：

(2-1)将凯斯西储大学轴承数据中心轴承数据集的使用采样频率12k Hz采集自驱动端故障，采样频率12k Hz采集自风扇端故障，采样频率48k Hz采集自驱动端故障和正常的数据进行预处理，分别处理成长度为1024，2048和4096的振动数据，在数据开头分别加上故障类别标签0,1,2，各个工况和采集频率采集的种类如下：

其中i＝3,6,12表示轴承故障的故障位置为3点、6点和12点钟方向，0.007、0.014、0.028和0.021分别表示轴承破损的深度；

(2-2)将美国机械故障预防技术学会轴承数据集的三组正常数据、三组工况一外圈故障数据和七组工况二外圈故障数据、三组工况一内圈故障数据和七组工况一内圈故障振动数据分别处理成长度为1024、2048和4096的振动数据：

其中3和7表示数据的组数；

(2-3)将西安交通大学轴承数据集的轴承_1、轴承_2、轴承_3分别整理成为35Hz 12kN、37.5Hz 11kN和40Hz 10kN三种工况的数据分割为1024、2048和4096长度的内圈、外圈和正常振动数据：

其中每个数据后面都带两位数的数据；

(2-4)将美国航空航天局轴承数据集的4个通道的3组数据分别处理成长度为1024、2048和4096的内圈故障、外圈故障和正常振动数据，其中外圈故障数据采集了两组分别为外圈故障和外圈故障_2：

(3)随机生成一个长度为100并服从正态分布的噪声数据z，z～N(μ,σ²)，其中μ为期望值，μ＝0，σ为标准差，σ＝1，N为长度，N＝100；

(4)构建一个局部权值共享网络，包括以下步骤：

(4-1)构建9个生成器，将9个生成器分成三组，其中每组生成器采用局部权值共享的连接方式，每组生成器分别包含三个生成器，将三组生成器分别记为G_n、G_i和G_o，初始化时，生成器组G_n与步骤(2)中归一化处理后四个数据集中的正常数据相对应，生成器组G_i与步骤(2)中归一化处理后四个数据集中的内圈故障数据相对应，生成器组G_o与步骤(2)中归一化预处理后四个数据集中的外圈故障数据相对应，每个生成器的结构如下所示：

(4-2)构建一个判别器，记为D，每个判别器的结构如下所示：

(5)对步骤(4)构建的局部权值共享网络进行对抗训练，得到用于故障类别判断的神经网络，具体过程如下：

(5-1)向步骤(4)的局部权值共享网络的生成器中输入步骤(3)的噪声数据z,生成器生成共K组伪故障类型样本k表示生成器组的序号，得到多个原始伪样本，将多个原始伪样本输入步骤(4-2)建立的判别器，判别器输出两个目标值，第一个目标值为故障类型，第二个目标值为对输入数据的真假判断：

(5-2)将局部权值共享网络生成器优化的学习率设置为0.0002，将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，利用步骤(5-1)的两个目标值，对步骤(4)构建的局部权值共享网络的生成器进行训练优化，训练优化使用目前常用的梯度下降算法；

(5-3)将步骤(5-1)生成的共K组伪故障类型样本和步骤(2)中预处理后的K组公开的数据集样本交替输入步骤(4)局部权值共享网络的判别器中，局部权值共享网络输出故障种类和输入样本真伪判别的结果；

(5-4)将局部权值共享网络判别器优化的学习率设置为0.0002,将非线性操作LeakyRelu的值设置为0.2,单个生成器每批次生成的数据量Batchsize_generator设置为32，对判别器使用目前常用的梯度下降算法训练优化，得到一个训练完成的具有故障分类能力的网络；

(6)设定局部权值共享网络生成器损失函数的阈值，对步骤(5)中训练完成的局部权值共享网络的判别器进行测试，即向步骤(5-3)中训练好的网络中的判别器输入步骤(2)预处理好的数据，当输出的故障分类结果的浮动区间与损失函数阈值的差值小于0.05，则训练达到纳什均衡，得到一个具有故障分类诊断能力的局部权值共享网络；

(7)实时采集不同模型和工况的轴承故障数据，向步骤(6)的局部权值共享网络输入轴承故障数据，局部权值共享网络输出轴承故障的种类，实现机械设备故障种类的诊断。