申请/专利权人：徐州卓越声振测控科技有限公司

申请日：2021-09-28

公开（公告）日：2024-06-07

公开（公告）号：CN113869208B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/213;G06N3/0464;G06N3/048;G06N3/08;G01M13/045

优先权：

专利状态码：有效-授权

法律状态：2024.06.07#授权;2024.05.24#专利申请权的转移;2024.05.21#专利申请权的转移;2022.01.21#实质审查的生效;2021.12.31#公开

摘要：本发明公开了基于SA‑ACWGAN‑GP的滚动轴承故障诊断方法，涉及故障诊断技术领域，该方法首先采集轴承一维时域振动数据，通过快速傅里叶变换转为二维频域特征灰度图，以卷积神经网络作为模型的网络结构避免梯度消失；其次构建合适层数的模型并初始化参数，将训练集输入模型进行训练直至达到迭代次数；最后将训练好的模型应用于滚动轴承故障诊断。该方法改进了原始ACGAN框架，引入Wasserstein距离和梯度惩罚，考虑到滚动轴承振动信号具有周期性和时序性的特点，本发明结合自注意力机制和ACWGAN‑GP来提升轴承故障特征提取与故障类别辨识的精度。

主权项：1.基于SA-ACWGAN-GP的滚动轴承故障诊断方法，其特征在于，所述滚动轴承故障诊断方法包括：第一步：通过振动信号采集设备获取滚动轴承不同状态下的振动信号，所述振动信号为具有周期性和时序性的一维时域振动数据，所述状态包括正常状态、内圈故障、外圈故障和滚动元件故障，组成四个类别标签c；第二步：对所述振动信号进行快速傅里叶变换，如式1所示，将所述振动信号从时域变换到频域，归一化处理后转换为二维灰度数据作为数据集，并将所述数据集划分成预定比例的训练集和测试集； 其中，xt为所述一维时域振动数据，Xω为频域振动数据；第三步：构建SA-ACWGAN-GP模型；所述SA-ACWGAN-GP模型包括生成器和判别器，所述生成器和判别器主要以卷积神经网络作为主体结构；在生成器结构中，输入为服从均值为-1、方差为1高斯分布的100维高斯噪声Noise，经过全连接映射层Dense和二维转换层Reshape转换为图片数据，再经过一层自注意力机制层SE后，依次经过四层卷积网络之后输出大小为64×64×1的灰度图数据作为生成数据；其中，每层卷积网络均包括上采样层Ups和单步卷积层Conv，所述单步卷积层Conv的卷积核大小为3×3，每层所述单步卷积层Conv的通道数依次为128、64、32和1；前三层所述单步卷积层Conv采用ReLU作为激活函数，用于帮助所述生成器实现非线性表示，并在完成卷积后进行批量归一化BN处理；第四层所述单步卷积层Conv输出使用sigmoid作为激活函数，用于将所述生成器的输出限制在[0,1]范围内，符合轴承数据的实际情况；在判别器结构中，输入为所述生成数据和训练集中的真实数据的混合样本集，所述判别器包括依次相连的三层卷积网络、一层自注意力机制层SE和二层全连接层Flatten，每层卷积网络均包括卷积层Conv，卷积核大小为5×5，步长为2，每层所述卷积层Conv的通道数依次为64、128和256，每层所述卷积层Conv采用LeakyReLU作为激活函数，以防出现梯度消失的问题；每次卷积结束后进行dropout处理、增加泛化能力；最后一层输出为所述混合样本集的真假判断及该样本属于某个类别的概率；第四步：将所述训练集输入所述SA-ACWGAN-GP模型中进行训练；所述生成器有两个输入，分别是类别标签c以及随机噪声z，输出所述生成数据；对于所述判别器，不仅要判别数据来源是否为真实数据，而且需要判断数据的类别；原始ACGAN的代价函数包含两个部分，如式2、式3所示，第一部分Ls为数据真实与否的代价函数，第二部分Lc为记录数据分类正确的代价函数；在原始ACGAN框架基础上，使用Wasserstein距离计算所述生成数据和真实数据的差别，计算公式如式4所示，替换式2中原有的计算二进制交叉熵函数部分，将模型的网络参数限制在固定范围内从而满足Lipschitz条件，改善了训练不稳定和模式崩溃的问题，确保所述生成数据的多样性；其中所述Lipschitz条件为：规定在一个连续函数fx上，存在一个大于零的常数K，使得定义域内任意两个元素x1、x2满足式5；Ls＝E[logPS＝real|Xreal]+E[logPS＝fake|Xfake]2Lc＝E[logPC＝c|Xreal]+E[logPC＝c|Xfake]3 |fx1-fx2|≤K|x1-x2|5其中，PS＝real|Xreal表示所述真实数据的概率分布，简化为Preal，PS＝fake|Xfake表示所述生成数据的概率分布，简化为Pfake，PC＝c|Xreal表示真实类别标签的概率分布，PC＝c|Xfake表示虚假类别标签的概率分布，E[·]表示数学期望，Fx表示真实数据或生成数据的分布函数；如式6所示，选用梯度惩罚来替换网络参数限制在固定范围，以此实现所述Lipschitz条件，避免参数范围设置不当导致梯度消失； u＝εxreal+1-εxfake7其中，Lgp为梯度惩罚的代价函数，λ为惩罚系数，u是对所述混合样本集的数据进行线性插值计算而来，如式7所示，ε～U[0,1]，U表示均匀分布，Pu是所述真实数据和生成数据之间的概率分布，表示对u求导，Du是u经过判别器后的输出，||·||为2范数；所述SA-ACWGAN-GP模型的代价函数是在所述原始ACGAN的代价函数上添加所述梯度惩罚的代价函数，则改进后的代价函数如式8、式9所示：Ls_new＝Ls+Lgp8Lc_new＝Lc+Lgp9要求所述判别器能够判断所述生成数据和真实数据，并准确的对数据来源进行分类，因此所述判别器被训练的最大值为Ls_new+Lc_new，同时希望所述生成器生成的数据被所述判别器识别为真实数据且正确分类，因此所述生成器被训练的最大值为Lc_new-Ls_new；使用Adam优化器更新所述网络参数，迭代过程具体为：mt＝β1·mt-1+1-β1·gt10 其中，mt和nt为目标函数梯度gt的一阶矩阵和二阶矩阵，下标t表示当前时刻，下标t-1表示前一时刻；β1和β2表示矩阵计指数衰减速率；和是对mt和nt的校正；θ表示模型参数，表示对学习率形成一个动态约束，η表示步长，ε＝10-8；第五步：将第四步训练好的所述SA-ACWGAN-GP模型，利用所述测试集进行测试，得到滚动轴承故障诊断准确率指标，最终实现滚动轴承的故障诊断。

全文数据：

权利要求：

百度查询： 徐州卓越声振测控科技有限公司 基于SA-ACWGAN-GP的滚动轴承故障诊断方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD