本站小編為你精心準備了生成對抗下的旋轉機械故障診斷參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要：基于深度學習的故障診斷方法因其在特征學習方面的突出表現而受到研究者的關注。在實際應用中，旋轉機械的故障信號難以采集，造成數據不平衡的問題。因此，提出了一種基于生成對抗學習的旋轉機械故障診斷新模型。在該模型中，生成器可以生成特定概率分布的故障數據，用來豐富和平衡故障診斷數據集。實驗結果表明，該方法具有良好的診斷性能和應用前景。

關鍵詞：故障診斷；生成對抗網絡；旋轉機械；深度學習

深度學習由于其良好的特征提取能力，近年來成為機械故障診斷領域的突破性技術之一。基于深度學習的模型已被應用于故障診斷。然而，無論是傳統方法還是基于深度學習的新方法，機械故障診斷的研究仍然面臨著一些根本的挑戰。比如，在實際工業現場旋轉機械故障是偶發的，故障相關信號難以采集，在故障診斷模型訓練時存在數據量不平衡的問題，該問題已經引起了學術界的廣泛關注［1－3］。本文利用生成對抗網絡來構建平衡數據集，進而訓練故障診斷模型，解決了實際應用中故障診斷的這個關鍵問題。

1生成對抗網絡概述

1．1對抗生成網絡雛形

2014年，Goodfellow［4］提出了一種名為生成對抗網絡（Gen-erativeAdversarialNetworks，GANs）的神經網絡模型，其利用對抗的思想，提高了生成圖像的分辨率，使得網絡能夠無監督地學習到數據的概率分布。生成對抗網絡通過交替訓練一個生成器G和判別器D，使G能夠生成以假亂真的樣本，而D能夠對真實和生成的樣本進行二分類：真實的樣本經過D輸出趨向于1，而G生成的樣本輸入D，得到的結果趨向于0，其模型結構如圖1a，G的輸入是隨機生成的噪聲矢量。G通過逐步學習從而生成與訓練樣本分布相同的數據。D的輸入是生成的數據或原始數據，其必須區分輸入數據是真實的還是生成的。訓練G和D，不斷更新參數，直到G能夠反映原始數據的分布。其價值函數為：第一步最大化D的部分使得D能夠很好地鑒別數據，第二步最小化G的部分，提高G的性能使得D再次鑒別不了G生成的數據，循環往復。

1．2對抗生成網絡的變體

生成對抗網絡的訓練沒有約束，由于生成器的輸入是隨機噪聲，不能生成期望的數據。因此，條件生成對抗網絡［5］通過添加標簽信息來生成指定的樣本，其模型如圖1b。其價值函數增加了標簽部分：圖1c展示了輔助分類的生成對抗網絡［6］，將原始數據劃分為多個子類，使得生成器能夠生成更為清晰的樣本，但它的分類器只能起到輔助作用，不具有很好的分類效果。

2故障診斷模型構建

針對輔助分類生成對抗網絡的不足，本節提出一種改進的增強生成對抗網絡，并將其應用于旋轉機械的故障診斷，可以有效地解決工業界在訓練診斷模型時面臨的不平衡數據集問題。

2．1生成器

生成器G的任務是將正態分布或其它分布的隨機向量（特征）映射到真實序列中，圖2為映射的具體實現形式。本文引入圖像生成的反卷積操作，通過改變數據形式能很好地處理時間序列。參照語義分割［7］的模型，構造了一個三層反卷積作為G網絡。

2．2判別器

真實數據和生成器生成的數據轉化成32×32的特征圖，輸入到判別器網絡中，通過在每個卷積層后設置LeakyReLU激活函數和dropout神經元隨機失活層，進行卷積操作得到深層特征，再分別經過兩個全連接層，判別是否存在故障，如有識別故障類型。生成器模型如圖3所示。

2．3訓練流程

當滾動軸承旋轉時，傳感器收集原始輸入數據。原始數據經過標注故障類型，作為D在一次迭代訓練過程中的輸入。G構造一個映射，輸入是有標簽的噪聲隨機值，噪聲的值可以是－1到1之間的正態分布。生成的數據與實際數據結合，成為D的另一個輸入。D網絡學習輸入數據的特征，計算損失函數，得到一個梯度來更新D和G的參數。優化目標由三部分組成，分別是分類的交叉熵損失函數、判別器的損失函數和生成器的損失函數。公式如下所示：

3實驗驗證

3．1數據集

圖4展示了軸承數據的采集裝置，其包括驅動電機、梅花聯軸器、健康軸承、測試軸承、螺栓螺母加載系統、加速度計、NIPXle－1082數據采集系統的實驗平臺。SGSF－20K測功機安裝在螺栓螺母加載系統中，帶有加載螺栓、螺母和緩沖裝置。螺母被壓緊在支架上，通過擰緊螺栓上方的螺母來產生可調節的徑向載荷。通過PCB352C33加速度計采集信號，采樣頻率為10kHz。包含四種設備狀態（正常故障、外圈故障Out、內圈故障In和滾動體故障Ball）和三種故障尺寸（0．2mm、0．4mm和0．6mm)，九個故障工況分別標注為Out02、In02、Ball02、Out04、In04、Ball04、Out06、In06和Ball06。

3．2實驗結果及可視化

基于上述實驗裝置進行了四組實驗，將處理好的數據輸入到本文設計的模型中得到F－score診斷指標，如表1所示。F－score是一種衡量模型能力的指標，分數越高性能越優異。通過與普通卷積神經網絡模型CNN對比，本文提出的模型在不平衡數據情況下體現其優越性。進一步可視化研究，用T－SNE［8］方法對模型中間層的特征向量進行可視化，如圖5所示其中a、b、c分別代表生成數據、訓練數據、測試數據的特征向量。由圖可知，本文提出的模型具有較強的分類能力。

4結束語

本文對深度學習中的輔助分類生成對抗網絡做了改進，使其能夠應用于旋轉機械故障診斷領域，并著重介紹了相關模型，通過實驗裝置模擬了工業領域存在的不平衡故障數據集問題。實驗結果表明，該模型效果優于傳統方法和一般的深度學習方法，具有較高的應用價值。

作者：李奇 張菁華 楊冰如 陳良 單位：蘇州大學機電工程學院