基于GAN样本生成技术的智能诊断方法
发布时间：2021-11-29 09:46
基于数据驱动的设备故障智能诊断方法是监测设备健康状况的重要手段,然而实际应用中,难以获取到足量有效的故障数据训练智能诊断模型。鉴于设备健康状态数据充足和现有智能诊断方法故障机理利用不足,提出基于生成对抗网络（GAN）样本生成技术的智能诊断方法。健康状态数据反映了设备个性特征,故障机理反映了设备共性特征,基于两种特征融合,得到故障数据样本,通过对深度卷积神经网络的训练为设备个体构建个性化的智能诊断模型。采用来自CWRU轴承数据和实验台模拟故障数据进行的实验结果表明,该方法相比现有智能诊断方法无需真实故障样本,在变负载条件下实现了很高的诊断准确率,具有较好的变工况迁移能力。
【文章来源】：振动与冲击. 2020,39(18)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
c-DCGAN基本结构和计算流程
MCGM原理图
在GAN的训练中,生成器存在梯度消失的问题,这是由于判别器与生成器训练不平衡,导致判别器的判别性能很好而生成器无法生成逼真的数据。因此在训练过程中,每更新一次判别器,训练k次生成器,在本文一维振动数据的生成中,k取4～10较为合适。表1为图3各网络参数,图4为生成的时域和频域数据与真实数据的对比。从图4可知,Gchar有效学习到数据的分布规律。重构的目的在于:学习设备监测数据的分布特征,使得不仅有真实样本,还有源源不断的生成样本,起到数据增强的作用;设备运行工况复杂多变,采用工况信息为条件以适应不同的工况。表1 c-DCGAN网络参数Tab.1 Parameters of c-DCGAN 网络模块 层名称 大小 深度 激活函数 是否BN 生成器 输入全连接#1Reshape反卷积#1反卷积#2反卷积#3 100+c32 7685122565122 048 —1256128641 —ReLUReLUReLUReLUtanh —否否否否否 卷积#1 5 64 ReLU 是 池化#1 2 — — — 卷积#2 5 128 ReLU 是 判别器 池化#2 2 — — — 卷积#3 3 256 ReLU 是 池化#3 2 — — — 全连接#2 n+1 — — —
【参考文献】：
期刊论文
[1]基于相关峭度共振解调的滚动轴承复合故障特征分离方法[J]. 胡爱军,赵军,孙尚飞,黄申申. 振动与冲击. 2019(08)
[2]独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 沈长青,汤盛浩,江星星,石娟娟,王俊,朱忠奎. 机械工程学报. 2019(07)
[3]基于信息融合及堆栈降噪自编码的齿轮故障诊断[J]. 李松柏,康子剑,陶洁. 振动与冲击. 2019(05)
[4]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[5]小数据条件下基于测地流核函数的域自适应故障诊断方法研究[J]. 刘海宁,宋方臻,窦仁杰,黄亦翔,刘成良. 振动与冲击. 2018(18)
[6]生成式对抗网络:从生成数据到创造智能[J]. 王坤峰,左旺孟,谭营,秦涛,李力,王飞跃. 自动化学报. 2018(05)
[7]基于GAN技术的自能源混合建模与参数辨识方法[J]. 孙秋野,胡旌伟,杨凌霄,张化光. 自动化学报. 2018(05)
[8]内嵌专业知识和经验的机器学习方法探索（一）:引导学习的提出与理论基础[J]. 尚宇炜,马钊,彭晨阳,武海涛. 中国电机工程学报. 2017(19)
[9]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[10]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
本文编号：3526287
【文章来源】：振动与冲击. 2020,39(18)北大核心EICSCD
【文章页数】：8 页
【部分图文】：
c-DCGAN基本结构和计算流程
MCGM原理图
在GAN的训练中,生成器存在梯度消失的问题,这是由于判别器与生成器训练不平衡,导致判别器的判别性能很好而生成器无法生成逼真的数据。因此在训练过程中,每更新一次判别器,训练k次生成器,在本文一维振动数据的生成中,k取4～10较为合适。表1为图3各网络参数,图4为生成的时域和频域数据与真实数据的对比。从图4可知,Gchar有效学习到数据的分布规律。重构的目的在于:学习设备监测数据的分布特征,使得不仅有真实样本,还有源源不断的生成样本,起到数据增强的作用;设备运行工况复杂多变,采用工况信息为条件以适应不同的工况。表1 c-DCGAN网络参数Tab.1 Parameters of c-DCGAN 网络模块 层名称 大小 深度 激活函数 是否BN 生成器 输入全连接#1Reshape反卷积#1反卷积#2反卷积#3 100+c32 7685122565122 048 —1256128641 —ReLUReLUReLUReLUtanh —否否否否否 卷积#1 5 64 ReLU 是 池化#1 2 — — — 卷积#2 5 128 ReLU 是 判别器 池化#2 2 — — — 卷积#3 3 256 ReLU 是 池化#3 2 — — — 全连接#2 n+1 — — —
【参考文献】：
期刊论文
[1]基于相关峭度共振解调的滚动轴承复合故障特征分离方法[J]. 胡爱军,赵军,孙尚飞,黄申申. 振动与冲击. 2019(08)
[2]独立自适应学习率优化深度信念网络在轴承故障诊断中的应用研究[J]. 沈长青,汤盛浩,江星星,石娟娟,王俊,朱忠奎. 机械工程学报. 2019(07)
[3]基于信息融合及堆栈降噪自编码的齿轮故障诊断[J]. 李松柏,康子剑,陶洁. 振动与冲击. 2019(05)
[4]大数据下机械装备故障的深度迁移诊断方法[J]. 雷亚国,杨彬,杜兆钧,吕娜. 机械工程学报. 2019(07)
[5]小数据条件下基于测地流核函数的域自适应故障诊断方法研究[J]. 刘海宁,宋方臻,窦仁杰,黄亦翔,刘成良. 振动与冲击. 2018(18)
[6]生成式对抗网络:从生成数据到创造智能[J]. 王坤峰,左旺孟,谭营,秦涛,李力,王飞跃. 自动化学报. 2018(05)
[7]基于GAN技术的自能源混合建模与参数辨识方法[J]. 孙秋野,胡旌伟,杨凌霄,张化光. 自动化学报. 2018(05)
[8]内嵌专业知识和经验的机器学习方法探索（一）:引导学习的提出与理论基础[J]. 尚宇炜,马钊,彭晨阳,武海涛. 中国电机工程学报. 2017(19)
[9]改进LSSVM迁移学习方法的轴承故障诊断[J]. 陈超,沈飞,严如强. 仪器仪表学报. 2017(01)
[10]机械故障诊断基础研究“何去何从”[J]. 王国彪,何正嘉,陈雪峰,赖一楠. 机械工程学报. 2013(01)
本文编号：3526287
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3526287.html
