一种基于生成对抗网络和自编码器的故障诊断方法

技术特征：
1.一种基于生成对抗网络和自编码器的故障诊断方法，用于机械设备故障诊断，其特征在于，所述基于生成对抗网络和自编码器的故障诊断方法，包括：步骤1、采集处于故障状态下机械设备的振动信号并进行预处理；步骤2、将预处理后的真实样本送入一维卷积生成对抗网络中进行训练得到生成器；步骤3、利用生成器生成故障样本，并结合真实样本构建故障训练集；步骤4、构建一维卷积自编码器，并利用所述故障训练集对所述一维卷积自编码器进行训练得到故障分类模型；步骤5、利用故障分类模型对待检测的机械设备的振动信号进行分类，实现针对机械设备的故障诊断；其中，所述一维卷积生成对抗网络由生成器和判别器组成，所述生成器由四层卷积层和三层上采样层构成，在前三层卷积层的每个卷积层后接入一个上采样层；所述判别器由四层卷积层、四层池化层以及一个全连接层构成，判别器中每个卷积层后接入一个池化层，最终由全连接层输出；其中，所述一维卷积自编码器由编码层和解码层组成，所述编码层由三层卷积层、三层池化层和一个flatten层组成，在每个卷积层后接入一个池化层，最后由flatten层过渡到解码层；所述解码层由三个卷积层和两个上采样层组成，解码层中前两个卷积层的每个卷积层后接入一个上采样层，最后一个卷积层为卷积核数目为1、卷积核大小为3
×
1、步长为1的卷积层。2.如权利要求1所述的基于生成对抗网络和自编码器的故障诊断方法，其特征在于，所述预处理为标准归一化方法。3.如权利要求1所述的基于生成对抗网络和自编码器的故障诊断方法，其特征在于，所述利用生成器生成故障样本，包括：利用得到的生成器，输入满足正态分布的1
×
150维的随机噪声，生成若干个故障样本用作样本扩充。4.如权利要求1所述的基于生成对抗网络和自编码器的故障诊断方法，其特征在于，所述利用所述故障训练集对所述一维卷积自编码器进行训练得到故障分类模型，包括：预训练阶段和微调阶段；所述预训练阶段包括：利用故障训练集对一维卷积自编码器进行预训练，预训练阶段的损失函数为相关熵损失函数，预训练至到达结束条件后进入微调阶段；所述微调阶段包括：取预训练结束后的一维卷积自编码器，去除一维卷积自编码器中的解码层，固定编码层的参数后将编码层直接接入分类器，并利用故障训练集对分类器的参数进行微调得到故障分类模型，微调阶段的损失函数为交叉熵损失函数。5.如权利要求4所述的基于生成对抗网络和自编码器的故障诊断方法，其特征在于，所述故障训练集在用于一维卷积自编码器训练前需要进行预处理，所述故障训练集的预处理为：对构建的故障训练集中的样本进行fft变换，将时域信号变换为频域信号，变换后的样本从1
×
1200维的数据变换为了1
×
600维的数据。6.如权利要求4所述的基于生成对抗网络和自编码器的故障诊断方法，其特征在于，所述相关熵损失函数的表现形式为：
式中，l为相关熵损失函数，y为一维卷积自编码器输出的预测值，为真实值，σ为函数的宽度参数。

技术总结
本发明公开了一种基于生成对抗网络和自编码器的故障诊断方法，包括：采集处于故障状态下机械设备的振动信号并进行预处理；将预处理后的真实样本送入一维卷积生成对抗网络中进行训练得到生成器；利用生成器生成故障样本，并结合真实样本构建故障训练集；构建一维卷积自编码器，并利用故障训练集对一维卷积自编码器进行训练得到故障分类模型；利用故障分类模型对待检测的机械设备的振动信号进行分类，实现针对机械设备的故障诊断。解决了实际场景下故障数据样本较少、生成数据质量不高的问题。问题。问题。


技术研发人员：林培 梁利华 许杨剑
受保护的技术使用者：浙江工业大学
技术研发日：2022.08.03
技术公布日：2022/10/25