一种小样本下的智能机舱故障诊断方法及介质

本发明涉及故障诊断，具体涉及一种小样本下的智能机舱故障诊断方法及介质。

背景技术：

1、船舶作为海上交通工具，面临着各种复杂的海洋环境和长时间的航行，机舱内涵盖众多复杂设备。通过智能机舱故障诊断方法，船舶能够实现对关键设备的实时监测和数据采集，及时发现潜在故障，并提供准确的故障定位信息，从而防范机械或电气故障引发的事故。智能机舱故障诊断系统能够提高船舶的运行可靠性，减少意外停船和事故的发生，保障船员和货物的安全。同时，智能机舱故障诊断还能优化维护计划，降低维护成本，提高船舶的经济效益，是推动船舶行业安全性和效率的关键技术之一。

2、当前故障诊断方法的使用前提是拥有大量的不同运行数据进行分类训练，而针对智能机舱这种复杂系统而言，并非所有运行状态都可以获得足够的数据。当因为某些原因无法获得大量故障的运行数据时，即在小样本条件下，如何利用有限数据完成故障类型诊断是目前研究的焦点之一。当前针对小样本故障诊断问题，主要有三种解决方法：基于模型微调、基于数据增强和基于迁移学习。基于模型微调的方法涉及在大量数据上训练模型，然后通过有限数据对其进行微调。然而，由于有限数据不能完全反映整体数据的真实分布，这会导致模型出现过拟合的问题。迁移学习方法属于前沿研究，但其面临一系列问题，包括算法不够成熟、复杂度高、准确度在样本过少时较低以及在样本维度增大时计算复杂度过高等。相反，基于数据增强的方法虽然在计算过程中引入了一些负面影响，例如噪声，但通过提高诊断模型的性能，可以有效解决小样本故障诊断中的问题。另一方面，由于大部分运行状态都可以获得足够的训练数据，使用基于数据增强，特别是基于生成对抗神经网络的小样本诊断方法可以获得大量的合成数据，与其他运行状态共用一个诊断模型，有利于降低诊断系统的复杂程度，但其合成数据的稳定性较差，不易进入纳什平衡。

技术实现思路

1、为了解决上述技术问题，本发明的目的在于提供一种小样本下的智能机舱故障诊断方法，解决小样本情况下智能机舱内设备故障诊断精度不高的问题。

2、本发明的目的是这样实现的：

3、本发明一种小样本下的智能机舱故障诊断方法，包括：

4、（1）通过安装在智能机舱关键设备上的振动传感器进行数据采集，获取该设备正常和不同故障状态下的振动信号；

5、（2）将振动信号经过小样本数据判断器，判断其是否为小样本数据。

6、（3）对小样本振动信号进行峭度分析，根据振动发生剧烈变化时的振动信号进行特征对齐；

7、（4）将振动信号进行灰度图处理，得到振动信号对应灰度图；

8、（5）将获得灰度图输入到构建好的非同步更新条件生成对抗网络（asynchronouscommunication conditional generative adversarial nets, auc-cgan）模型中进行训练，直至模型达到纳什平衡；

9、（6）使用训练完成auc-cgan模型中的生成器进行样本生成；

10、（7）将获得生成样本与原始样本混合输入到卷积神经网络（convolutionalneural networks , cnn）诊断模型进行训练，直至卷积神经网络（convolutional neuralnetworks , cnn）诊断模型收敛；

11、（8）使用获得训练好的cnn诊断模型对测试样本进行故障诊断，输出诊断结果。

12、本发明还可以包括：

13、1、所述步骤（3）中使用峭度原理对振动信号进行特征对齐。

14、2、所述步骤（5）中使用auc-cgan模型具体改进方法为：

15、a.使用非同步更新算法对c-cgan模型进行改进，增强模型的稳定性，使得模型能够更好地进入纳什平衡。

16、b.设auc-cgan模型中判别器d包含的变量参数为，auc-cgan模型中生成器g包含的变量参数为。auc-cgan模型中使用交叉熵损失函数作为模型损失值计算标准。

17、c.使用随机梯度下降方法对模型变量参数进行更新迭代，因此所述生成器g使用mini-batches优化算法随机选取个真实样本，；个生成样本，；

18、使用梯度下降方法更新模型变量参数时，真实样本的梯度为：，生成样本的梯度为：，其中表示求梯度，表示先对生成器g的输出求取交叉熵损失值，再求交叉熵损失值对参数的梯度，表示先对判别器d的输出求取交叉熵损失值，再求交叉熵损失值对参数的梯度，其中，在auc-cgan模型中进行梯度下降时，生成器g和判别器d非同步更新，相比于生成器g和判别器d使用同步更新时减少了出现梯度消失乃至模型崩溃情况，会更快地达到理想效果。

19、d.用非同步更新算法计算auc-cgan的参数迭代情况，设判别器d的学习速率为，生成器g的学习速率为，时刻判别器变量参数为，生成器变量参数为，则在时刻判别器参数与生成器参数，可由下面公式计算：

20、     （1）

21、     （2）

22、其中，为判别器d对应的慢迭代映射变量；为生成器g对应的快迭代映射变量。

23、e.使用上式便可以通过改变与改变判别器d与生成器g参数迭代速率，使得生成器g和判别器d以1：1的速度更新，拥有更好的效果与稳定性。

24、f.在auc-cgan模型训练过程中为了减少模型崩溃风险，使用ghost模型取代传统卷积模型，所述ghost模型首先对输入特征进行卷积操作如下式所示：

25、    （3）

26、其中，表示输入样本经过卷积操作输出的特征，表示点乘，表示卷积。

27、g.ghost模型的输出特征用表示，其具体计算公式如下式所示：

28、<mstyle displaystyle="true" mathcolor="#000000"><mi>y</mi><mi>=</mi><mi>concat</mi><mi>([</mi><msup><mi>y</mi><mo>′</mo></msup><mi>,</mi><msup><mi>y</mi><mo>′</mo></msup><mi>*</mi><mi>conv</mi><mi>(</mi><mn>3</mn><mi>,</mi><mn>3</mn><mi>)])</mi></mstyle>   （4）

29、其中，代表将其内部元素进行连接。

30、h.使用ghost模型能够更好提取输出特征的本征特征，更有利于auc-cgan模型的训练，用其取代原始cnn模型可以大幅降低模型陷入梯度消失或梯度爆炸的风险，进一步提高模型的稳定性。

31、本发明技术方案，具有如下优点：

32、使用峭度原理对原始振动信号进行特征对齐，提高模型生成质量与诊断精度。将一维振动信号转换为二维灰度图，能够提取到更高维特征，更有利于模型收敛与最终诊断精度。使用非同步更新算法对c-cgan模型进行改进，增强模型的稳定性，使得模型能够更好地进入纳什平衡。使用ghost模型取代c-cgan中的cnn模型，能够更好地提取本征特征，减少模型陷入梯度消失的风险。