[发明专利]一种机械设备故障种类的诊断方法

说明书

本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。本方法通过学习有效的故障特征来缓解模式崩溃和扩展故障数据空间，从而进行机械故障种类的诊断。该组权重共享生成器被设计成生成相同类型的故障数据。同一个故障的通用特征可以通过本地共享层。通过基于生成数据和真实数据的判别器训练，判别器可以获得故障诊断能力。本方法通过构建多生成器的故障数据生成网络，解决目前基于单生成器神经网络生成故障数据方法容易出现的“模式崩溃”问题，解决生成故障数据单一的模式问题；通过组生成器局部权值共享的机制，有效学习同一故障类型数据的基础故障特征，从而有效扩展故障数据的空间分布，提高故障分类的通用性和准确率。

技术领域

本发明属于人工智能技术领域，尤其涉及一种机械设备故障种类的诊断方法。

背景技术

在现代工业社会中，机械设备是不可或缺的常用部件，在以机械设备为基础的工业生产中起着至关重要的作用。复杂的工作环境和不规则的操作过程影响工业设备的安全，导致机械设备出现异常。而且机械设备的有效维护是维持正常运转的基本要求，防止设备故障产生可以减少财产损失，避免严重事故的发生。因此，有必要预防和发现机械设备的故障，正确识别故障类型，并针对机械故障提供相应的解决方案。

随着机械设备积累的数据越来越多和深度学习的发展，数据驱动方法越来越多地被用于从滚动机械设备采集的故障信息数据中挖掘故障诊断信息。支持向量机(SVMs)是一种在特征空间中定义了最大区间的监督学习分类器，应用于轴承和齿轮等滚动设备的故障诊断。人工神经网络(ANN)是由大量自适应单元组成的经典层连网络。其结构可以模拟人类神经系统与外界事物的相互作用。通过人工神经网络的训练，可以压缩和提取特征用于模式识别。基于人工神经网络的方法在图像识别和语音识别的任务中取得了优于以往方法的性能，并且在故障检测中也得到了广泛的应用。Song等人使用DAN再训练(DAN-R)方法来最小化训练数据集和测试数据集之间的特征距离差异。通过这种域自适应策略，基于自适应神经网络的方法获得了出色的域自适应能力和较高的精度。

虽然深度学习在故障诊断任务中的研究已经取得了良好的效果，但是训练过程需要大量的数据。生成对抗神经网络(GAN)的提出可以生成数据，弥补故障机械设备数据的不足。Liang等提出了一种轧机故障诊断模型WTGAN-CNN。将小波变换、生成对抗网络、卷积神经网络相结合，提取故障特征，生成新的故障样本，在实验中取得了较高的准确率。比较有代表性的如Gao等人提出了一种基于WGAN-GP的模型来生成与真实相似的假样本，与传统方法相比，该生成模型能够自适应地提取特征，在轧机和钢板数据集的实验中获得更高的诊断精度。这种模型在一定程度上可以增加故障数据集的数量，很难保证生成的故障数据能够提高通用性。Zhou等提出了一种基于GAN的滚动轴承不平衡数据检测数据放大技术。该方法采用全局优化方法，同时优化特征生成的损失函数和诊断精度，用从自动编码器学习的特征生成来训练生成器和判别器。然而，这些基于故障诊断的方法用单生成器和单判别器来学习不同类别故障实例的分布，很难学到数据集的完整分布并生成更有效的机械故障数据。

综上所述，基于数据驱动的机械故障诊断方法虽然取得了很好的效果，但是面临着样本量过少的问题。虽然生成对抗网络的提出在一定程度上解决了数据量过少的问题。基于数据驱动的机械故障诊断方法问题可以归纳如下。1)目前的数据生成方法比较单一，生成的数据类型单一，难以实现数据需求；2)传统的基于GAN的故障数据生成方法通常受到模式崩溃的困扰，实际上经常陷入生成局部数据分布的状态；3)基于遗传神经网络的方法能有效解决样本容量不足条件下的故障分类问题，但单生成器和单判别器模型不能学习故障一般特征，只能学习基于数据集的分布。

发明内容

本发明的目的是提出一种机械设备故障种类的诊断方法，该方法基于一种多生成器局部权值共享的机制学习并生成数据。以解决故障数据样本量小，单一化的问题，提高机器故障诊断模型的通用性和扩展性。

本发明提出的一种机械设备故障种类的诊断方法，包括：