一种基于DCGAN样本补充的滚动轴承故障诊断方法

一种基于dcgan样本补充的滚动轴承故障诊断方法
技术领域
1.本发明涉及机械故障技术领域，尤其涉及一种基于dcgan样本补充的滚动轴承故障诊断方法。


背景技术：

2.滚动轴承作为旋转机械应用广泛且容易损坏的零部件，对其进行故障诊断有着重要的理论和实际意义，现有的故障诊断方法在对滚动轴承实测得到的数据往往存在不同类型样本累积数据量不同导致的数据非平衡问题，导致现有方法在非平衡小样本故障诊断场景下识别准确率有限，甚至存在状态误识别，而解决这种问题的方法通常是使用平衡数据集训练卷积神经网络(cnn)与循环神经网络(gan)相结合的深度生成对抗网络(dcgan)模型来扩充小样本、非平衡数据集，最终根据得到的实测数据对滚动轴承故障类型进行识别和判断。
3.扩充小样本、非平衡数据集最终得到的样本多样性差，从而导致无法快速、准确的实现对滚动轴承故障类型的识别，降低了滚动轴承故障诊断的工作效率。


技术实现要素：

4.基于背景技术存在的技术问题，本发明提出了一种基于dcgan样本补充的滚动轴承故障诊断方法。
5.本发明提出的一种基于dcgan样本补充的滚动轴承故障诊断方法，所述方法包括以下步骤：
6.s1，运用加速度传感器对滚动轴承各故障部位进行一维信号采集，然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记，得到具有样本标签的原始一维滚动轴承数据集；
7.s2，建立最小信息熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对变分模态分解中分解个数k和二次惩罚因子a进行参数优化，实现参数的自适应确定；
8.s3，对s1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理；
9.s4，将s3得到的若干imf分量依据峭度准则原理进行信号重构，得到具有明显故障特征的滚动轴承一维故障信号；
10.s5，对s4中的一维重构信号进行连续小波变换，将其转换为二维信号，并作为原始数据集；
11.s6，建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(dcgan)模型，该模型由判别器和生成器两部分组成，将滚动轴承故障二维数据输入判别器中进行分类打分标准，然后在生成器中输入多维噪声信号，输出滚动轴承故障二维数据的辅助样本，判别器与生成器之间相互博弈，最终达到“纳什均衡”，生成器与判别器博弈原理为：
式中，z为生成网络的输入噪声，x为真实样本，g(z)为生成网络的虚假样本，d(g(z))为判别样本真实程度的概率；
12.s7，将s5中的原始二维信号数据集作为原始样本输入s6中的判别器内，深度生成对抗神经网络通过相互对抗
‘“
博弈”生成辅助样本；
13.s8，建立用于滚动轴承故障智能诊断的卷积神经网络(cnn)模型，该模型基于alexnet网络；
14.s9，建立最小交叉熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小batch_size进行参数优化，实现参数的自适应确定；
15.s10，设计通过遗传算法改进卷积神经网络有效性的试验；
16.s11，设计通过深度生成对抗神经网络解决小样本的试验；
17.s12，设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验。
18.优选地，所述s6中判别器包括三层卷积操作与leakyrelu函数，且最后通过sigmoid函数进行分类打分标准。
19.优选地，所述s6中生成器包括五层卷及操作与relu函数，且最后通过tanh函数输出滚动轴承故障二维数据的辅助样本。
20.优选地，所述s8中卷积神经网络主要包括五层卷积层、三层最大池化层、relu函数及全连接层等。
21.优选地，所述s10中通过遗传算法改进卷积神经网络有效性的实验具体方式为：
22.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
23.(2)利用遗传算法(ga)对卷积神经网络中参数进行优化，实现其自适应确定；
24.(3)将(1)中的二维数据按照比例划分训练集和测试集，并分别放入原始卷积神经网络模型和(2)中的模型进行智能诊断。
25.优选地，所述s11中解决小样本的实验具体方式为：
26.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
27.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充；
28.(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断。
29.优选地，所述s12中解决非均衡数据集的实验具体方式为：
30.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
31.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡；
32.(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断。
33.与现有技术相比，本发明提供的一种基于dcgan样本补充的滚动轴承故障诊断方法具有以下有益效果：
34.将二维滚动轴承振动信号放入卷积神经网络(cnn)与循环神经网络(gan)相结合的深度生成对抗网络(dcgan)模型中生成辅助样本数据集，并通过卷积神经网络实现小样
本、非均衡数据集下的滚动轴承智能诊断，实现了变分模态分解参数的自适应确定，并解决了扩充小样本、非平衡数据集导致样本多样性差的问题，该方法可以快速、准确的实现滚动轴承故障类型的识别，提高了滚动轴承故障诊断的工作效率。
附图说明
35.图1为本发明中遗传算法优化vmd算法流程图；
36.图2为本发明中dcgan扩充数据集流程图；
37.图3为遗传算法
‑
卷积神经网络与原始卷积卷积神经网络模型诊断精度对比图；
38.图4为小样本下遗传算法
‑
卷积神经网络与深度生成对抗网络+遗传算法
‑
卷积神经网络模型诊断精度对比图；
39.图5为小样本及故障类间不均衡下遗传算法
‑
卷积神经网络与深度生成对抗网络+遗传算法
‑
卷积神经网络模型诊断精度对比图。
具体实施方式
40.参考图1
‑
5，一种基于dcgan样本补充的滚动轴承故障诊断方法，包括以下步骤：
41.s1，运用加速度传感器对滚动轴承各故障部位进行一维信号采集，然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记，得到具有样本标签的原始一维滚动轴承数据集；
42.s2，建立最小信息熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对变分模态分解中分解个数k和二次惩罚因子a进行参数优化，实现参数的自适应确定，信息熵适应度函数为：
43.s3，对s1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理；
44.s4，将s3得到的若干imf分量依据峭度准则原理进行信号重构，得到具有明显故障特征的滚动轴承一维故障信号；
45.s5，对s4中的一维重构信号进行连续小波变换，将其转换为二维信号，并作为原始数据集；
46.s6，建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(dcgan)模型，该模型由判别器和生成器两部分组成，将滚动轴承故障二维数据输入判别器中进行分类打分标准，然后在生成器中输入多维噪声信号，输出滚动轴承故障二维数据的辅助样本，判别器与生成器之间相互博弈，最终达到“纳什均衡”，生成器与判别器博弈原理为：式中，z为生成网络的输入噪声；x为真实样本，g(z)为生成网络的虚假样本，d(g(z))为判别样本真实程度的概率；
47.判别器包括三层卷积操作与leakyrelu函数，且最后通过sigmoid函数进行分类打分标准；
48.生成器包括五层卷及操作与relu函数，且最后通过tanh函数输出滚动轴承故障二维数据的辅助样本；
49.s7，将s5中的原始二维信号数据集作为原始样本输入s6中的判别器内，深度生成对抗神经网络通过相互对抗“博弈”生成辅助样本；
50.s8，建立用于滚动轴承故障智能诊断的卷积神经网络(cnn)模型，该模型基于alexnet网络；
51.卷积神经网络主要包括五层卷积层、三层最大池化层、relu函数及全连接层等；
52.s9，建立最小交叉熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小batch_size进行参数优化，实现参数的自适应确定；
53.s10，设计通过遗传算法改进卷积神经网络有效性的试验；
54.具体方式为：
55.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
56.(2)利用遗传算法(ga)对卷积神经网络中参数进行优化，实现其自适应确定；
57.(3)将(1)中的二维数据按照比例划分训练集和测试集，并分别放入原始卷积神经网络模型和(2)中的模型进行智能诊断。
58.s11，设计通过深度生成对抗神经网络解决小样本的试验；
59.具体方式为：
60.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
61.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充；
62.(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断；
63.s12，设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验；
64.具体方式为：
65.(1)提取多种滚动轴承的不同健康状态的原始二维数据；
66.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡；
67.(3)将(1)和(2)两种情况下的二维数据按照比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断。
68.实施例
69.s1，运用加速度传感器对滚动轴承各故障部位进行一维信号采集，然后按照内圈故障、外圈故障、滚动体故障和正常状态进行标签标记，得到具有样本标签的原始一维滚动轴承数据集；
70.s2，建立最小信息熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对变分模态分解中分解个数k和二次惩罚因子a进行参数优化，实现参数的自适应确定；
71.s3，对s1中得到的具有样本标签的原始一维滚动轴承数据集放到遗传算法优化后的变分模性分解框架中进行信号降噪处理；
72.s4，将s3得到的若干imf分量依据峭度准则原理进行信号重构，得到具有明显故障特征的滚动轴承一维故障信号；
73.s5，对s4中的一维重构信号进行连续小波变换，将其转换为二维信号，并作为原始
数据集；
74.s6，建立用于滚动轴承故障诊断辅助样本的深度生成对抗神经网络(dcgan)模型，该模型由判别器和生成器两部分组成，将滚动轴承故障二维数据输入判别器中进行分类打分标准，然后在生成器中输入多维噪声信号，输出滚动轴承故障二维数据的辅助样本，判别器与生成器之间相互博弈，最终达到“纳什均衡”；
75.s7，将s5中的原始二维信号数据集作为原始样本输入s6中的判别器内，深度生成对抗神经网络通过相互对抗“博弈”生成辅助样本；
76.s8，建立用于滚动轴承故障智能诊断的卷积神经网络(cnn)模型，该模型基于alexnet网络；
77.s9，建立最小交叉熵函数作为遗传算法(ga)的适应度函数，通过选择、交叉和变异等遗传操作对卷积神经网络中迭代次数epoch和批处理大小batch_size进行参数优化，实现参数的自适应确定；
78.s10，设计通过遗传算法改进卷积神经网络有效性的试验；
79.具体方式为：
80.(1)提取四种滚动轴承的不同健康状态的原始二维数据，其中每种健康状态各50个二维数据；
81.(2)利用遗传算法(ga)对原始卷积神经网络中迭代次数epoch和批处理大小batch_size进行参数优化，实现其自适应确定；
82.(3)将(1)中的二维数据按照8:2的比例划分训练集和测试集，并分别放入原始卷积神经网络模型和(2)中的模型中进行智能诊断。
83.s11，设计通过深度生成对抗神经网络解决小样本的试验；
84.具体方式为：
85.(1)提取四种滚动轴承的不同健康状态的原始二维数据，其中每种健康状态各50个二维数据；
86.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充；
87.(3)将(1)和(2)两种情况下的二维数据按照8:2的比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断。
88.s12，设计通过深度生成对抗神经网络解决故障类间样本不均衡的试验；
89.具体方式为：
90.(1)提取四种滚动轴承的不同健康状态的原始二维数据，其中内圈故障为20个，外圈故障为30个，滚动体故障为40个，健康状态为50个；
91.(2)利用深度生成对抗神经网络生成的辅助样本对(1)中的二维数据进行扩充至故障类间数据均衡；
92.(3)将(1)和(2)两种情况下的二维数据按照8:2的比例划分训练集和测试集，并放入卷积神经网络模型中进行智能诊断。
93.实验证明，该方法可以快速、准确的实现滚动轴承故障类型的识别，提高了滚动轴承故障诊断的工作效率，并且通过深度生成对抗网络的方式解决了传统通过几何变化来扩充小样本、非平衡数据集导致样本多样性差的问题。
94.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，
任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。