本發(fā)明涉及滾動軸承智能故障診斷，尤其涉及一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法。

背景技術(shù)：

1、滾動軸承是機械設備進行動力傳遞的重要基礎零部件，廣泛應用于各類工業(yè)系統(tǒng)中，對其開展狀態(tài)監(jiān)測與故障診斷研究具有重要科學意義與工程應用價值。一般來說，機械故障診斷方法可分為兩類：基于信號處理和數(shù)據(jù)智能驅(qū)動。傳統(tǒng)的故障診斷方法主要以故障機理和信號處理為基礎，注重故障機理分析，從時域、頻域、時頻域角度提取故障特征信息；但傳統(tǒng)故障診斷方法依賴于專家經(jīng)驗和機理知識，人工成本較高。智能診斷方法可大幅減小對專家經(jīng)驗的依賴和人力成本，在當前工業(yè)大數(shù)據(jù)時代受到學界和工業(yè)界的廣泛關注。目前智能診斷方法大多以神經(jīng)網(wǎng)絡為基礎，具有自動進行特征提取，能夠處理大批量數(shù)據(jù)的優(yōu)勢，廣泛應用于故障診斷領域。

2、當前智能診斷方法按照訓練數(shù)據(jù)標簽的要求，主要分為有監(jiān)督、無監(jiān)督、半監(jiān)督三類。由于獲取數(shù)據(jù)標簽的代價通常較高或不可行，在實際工業(yè)場景下，大量數(shù)據(jù)都是無標簽的。相比有監(jiān)督學習或無監(jiān)督學習，半監(jiān)督學習方法具有顯著優(yōu)勢，它能夠同時使用有標簽數(shù)據(jù)及無標簽數(shù)據(jù)中蘊含的信息來輔助訓練模型，從而以更低的標注成本獲得更高的性能和泛化能力，這使得它在近年來吸引了學者們的廣泛關注。

3、專利申請“一種基于半監(jiān)督對抗網(wǎng)絡的軸承故障診斷方法”(cn113324758a)公開了使用生成對抗網(wǎng)絡對訓練數(shù)據(jù)進行擴充，以提高類別不平衡情況下的分類準確率。然而該方法無論在生成器還是鑒別器的特征提取網(wǎng)絡都只采用了簡單的卷積神經(jīng)網(wǎng)絡，難以在有標簽樣本缺乏和強噪聲環(huán)境下有效提取出具有高分辨能力的特征，導致模型診斷精度不足，難以滿足實際工業(yè)數(shù)據(jù)場景下的性能需求。

技術(shù)實現(xiàn)思路

1、為了克服上述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提出了一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，有效地解決在實際工業(yè)場景中有標簽樣本不足、傳統(tǒng)故障診斷方法在特征提取方面過于依賴專家經(jīng)驗、特征分類性能不強等難題，提高模型的診斷精度。

2、為了達到上述目的，本發(fā)明采取的技術(shù)方案為：

3、一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，使用部分標記數(shù)據(jù)和大量無標記數(shù)據(jù)聯(lián)合進行模型訓練，構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡，自動提取深層特征并進行融合，通過生成器和鑒別器的對抗學習，利用無標記數(shù)據(jù)包含的信息，最終提高模型分類精度。

4、一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，包括以下步驟：

5、步驟1，數(shù)據(jù)采集：采集軸承運行過程中的振動信號，得到原始振動數(shù)據(jù)，原始振動數(shù)據(jù)中包含正常數(shù)據(jù)和故障數(shù)據(jù)；

6、步驟2，半監(jiān)督多尺度生成對抗網(wǎng)絡故障診斷模型搭建：半監(jiān)督多尺度生成對抗網(wǎng)絡故障診斷模型(smsgan)采用半監(jiān)督生成對抗網(wǎng)絡框架，融合了多尺度卷積神經(jīng)網(wǎng)絡；

7、步驟3，模型訓練：在半監(jiān)督多尺度生成對抗網(wǎng)絡故障診斷模型(smsgan)網(wǎng)絡訓練階段，使用adam優(yōu)化器對模型網(wǎng)絡進行訓練，通過對抗學習，提高模型的整體性能表現(xiàn)；

8、步驟4，模型測試：在模型訓練好之后，固定鑒別器參數(shù)，輸入測試集數(shù)據(jù)樣本，進行故障分類。

9、所述的步驟2中半監(jiān)督生成對抗網(wǎng)絡框架包括生成器和鑒別器；鑒別器的第一部分由一個卷積核的卷積層與一個卷積核的池化層組成，用來獲取原始振動數(shù)據(jù)中的短時特征；然后將短時特征輸入到多尺度卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)中；多尺度卷積神經(jīng)網(wǎng)絡采用了多個不同尺寸的卷積核，利用大小不同的卷積核來構(gòu)建多尺度融合模型，多個卷積核多層卷積實現(xiàn)不同尺寸不同形態(tài)的特征提??；最后使用torch.cat()函數(shù)實現(xiàn)多尺度的特征融合，利用提取的多尺度特征通過全連接層實現(xiàn)數(shù)據(jù)真假判別和故障分類；

10、生成器的輸入數(shù)據(jù)為服從標準正態(tài)分布的隨機噪聲，其網(wǎng)絡參數(shù)與鑒別器相同，只是把多尺度卷積神經(jīng)網(wǎng)絡中的卷積層用反卷積代替。

11、所述的步驟3中生成器的輸入只有一個，即隨機噪聲，輸出與真實數(shù)據(jù)分布越來越相似的虛假數(shù)據(jù)以欺騙鑒別器，使鑒別器將生成器生成數(shù)據(jù)劃分成真實數(shù)據(jù)；

12、鑒別器有三種輸入數(shù)據(jù)，分別是訓練數(shù)據(jù)集中有標簽真實數(shù)據(jù)、無標簽真實數(shù)據(jù)和生成器生成的虛假數(shù)據(jù)，其中，真實數(shù)據(jù)為正常振動信號和故障振動信號，虛假數(shù)據(jù)為偽振動信號，偽振動信號包含了正常狀態(tài)偽信號和故障狀態(tài)偽信號；對于有標簽真實樣本su_x，鑒別器輸出分類為真實故障類型的概率值d(su_x)；對于無標簽真實樣本un_x，鑒別器輸出該樣本來自真實數(shù)據(jù)分布的概率值d(un_x)；對于生成樣本g(z)，鑒別器輸出分類為虛假樣本的概率值1-d(g(z))；

13、模型損失函數(shù)包括生成器的損失和鑒別器的損失，其中生成器的損失函數(shù)為l_g，鑒別器的損失函數(shù)由兩部分組成：在有標簽真實數(shù)據(jù)上的損失函數(shù)l_dsu，在無標簽數(shù)據(jù)上的損失函數(shù)l_dun；各部分損失函數(shù)計算公式為：

14、

15、其中，su_x～pdata_su表示有標簽真實數(shù)據(jù)，un_x～pdata?un表示無標簽真實數(shù)據(jù)，x～pg(z)表示生成器生成的數(shù)據(jù)；p(y＝n+1|su_x)和p(y＝n+1|un_x)表示判別器輸出當前數(shù)據(jù)為真的概率，在半監(jiān)督模型下，原本的n分類問題被轉(zhuǎn)換為n+1分類問題，p(y|su_x,y＜n+1)表示對前n維中每一維的概率進行求解；

16、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

17、(1)本發(fā)明利用半監(jiān)督學習策略，使用少量有標簽樣本和大量無標簽樣本聯(lián)合進行模型訓練，從中學習到更多有用的信息，提高故障診斷模型的性能表現(xiàn)；

18、(2)本發(fā)明通過構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡模塊進行深層特征提取，并將不同尺度的特征進行融合提高神經(jīng)網(wǎng)絡的特征提取能力，顯著提高模型的診斷精度；

19、(3)本發(fā)明將多尺度卷積神經(jīng)網(wǎng)絡模塊與生成對抗網(wǎng)絡框架相結(jié)合，通過對抗學習進一步提高模型的性能表現(xiàn)，在有標簽樣本數(shù)較少的情況下也能獲得接近90％的準確率，更貼合實際工業(yè)現(xiàn)場的數(shù)據(jù)場景需求。

技術(shù)特征：

1.一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，其特征在于：使用部分標記數(shù)據(jù)和大量無標記數(shù)據(jù)聯(lián)合進行模型訓練，構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡，自動提取深層特征并進行融合，通過生成器和鑒別器的對抗學習，利用無標記數(shù)據(jù)包含的信息，最終提高模型分類精度。

2.一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，其特征在于，包括以下步驟：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述的步驟2中半監(jiān)督生成對抗網(wǎng)絡框架包括生成器和鑒別器；鑒別器的第一部分由一個卷積核的卷積層與一個卷積核的池化層組成，用來獲取原始振動數(shù)據(jù)中的短時特征；然后將短時特征輸入到多尺度卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)中；多尺度卷積神經(jīng)網(wǎng)絡采用了多個不同尺寸的卷積核，利用大小不同的卷積核來構(gòu)建多尺度融合模型，多個卷積核多層卷積實現(xiàn)不同尺寸不同形態(tài)的特征提取；最后使用torch.cat()函數(shù)實現(xiàn)多尺度的特征融合，利用提取的多尺度特征通過全連接層實現(xiàn)數(shù)據(jù)真假判別和故障分類；

4.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述的步驟3中生成器的輸入只有一個，即隨機噪聲，輸出與真實數(shù)據(jù)分布越來越相似的虛假數(shù)據(jù)以欺騙鑒別器，使鑒別器將生成器生成數(shù)據(jù)劃分成真實數(shù)據(jù)；

技術(shù)總結(jié)
一種基于半監(jiān)督多尺度生成對抗網(wǎng)絡的滾動軸承智能故障診斷方法，使用部分標記數(shù)據(jù)和大量無標記數(shù)據(jù)聯(lián)合進行模型訓練，構(gòu)建多尺度卷積神經(jīng)網(wǎng)絡，自動提取深層特征并進行融合，通過生成器和鑒別器的對抗學習，利用無標記數(shù)據(jù)包含的信息，最終提高模型分類精度；本發(fā)明有效地解決在實際工業(yè)場景中有標簽樣本不足、傳統(tǒng)故障診斷方法在特征提取方面過于依賴專家經(jīng)驗、特征分類性能不強等難題，提高模型的診斷精度。

技術(shù)研發(fā)人員：區(qū)瑞堅,溫亮,李夢凡,顧明洲,劉堯
受保護的技術(shù)使用者：蘇州微著設備診斷技術(shù)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/9