基于生成对抗网络模型的机械故障诊断

刘伟君

(临沂市生态环境局沂水县分局，山东 沂水 276400)

作者简介：刘伟君(1980—),女,高级工程师，主要研究方向为计算机技术，wang_yf2020@.

摘要：在大数据样本条件下，提出一种基于生成对抗网络模型的故障诊断方法。构建生成对抗网络模型，保证模型判别器输出数据的总体分布与原始故障集相近，并基于空间测量工具优化梯度函数，降低模型损失；采用故障集图像转换方式实现对原始故障信号的降维处理，利用判别器的神经网络结构，训练故障数据集，并提取出机械故障集中的故障特征点。实验结果表明，所提方法具有良好的分类诊断性能，故障诊断精度能够达到99.45%。

关键词：大数据样本；半监督；生成对抗网络；梯度函数；分类诊断

中图分类号：TH17 文献标识码：A 文章编号：2095-509X(2021)04-0057-06

现代机械在结构设计上日趋复杂化，微小的故障不仅不易识别还具有传导性，从而影响整个机械设备的稳定输出。机械设备故障排查的难度大、成本高，有时需要暂停生产线以查找设备故障的原因，因此如何实现机械故障的在线检测，逐渐成为工业领域的研究热点之一［1-2］。传统在线故障诊断方法主要包括基于信号分析的故障诊断［3-4］和基于数学模型的故障诊断［5-6］。由于复杂机械设备的故障数据集规模十分庞大，采用信号分析方法提取海量高维数据的难度极大,而针对复杂机械结构的数学建模也变得越来越困难。随着计算机科学技术的发展和软件算法的迭代更新，越来越多的人工智能、机器学习算法被应用到机械故障诊断领域［7］。故障信号的特征提取和特征识别是在线故障诊断的关键，李梦诗等［8］提出基于深度置信网络的信号分解方法，从原始故障信号中分离出多类别的故障特征；侯荣涛等［9］首先对原始故障信号做快速傅里叶（FFT）变换，再基于自适应编码器提取出故障特征；王珂等［10］基于压缩感知的理论方案，提取出原始故障信号降噪后的时频域特征，再进行深度的特征融合处理。对于上述以机械故障数据驱动为前提的故障诊断方法而言，能够捕捉到的故障特征越丰富，故障的分类、识别和检测效果就会越好。但在海量故障数据样本和半监督学习的条件下，标记故障样本的过程将变得十分困难，且样本不均衡、提取成本高、控制精度差。为此，本文引入了数据生成的思维，通过构建生成对抗网络模型来模拟输入故障数据的样本分布状态，达到扩大训练样本总量及提高诊断精度的目的。

1 生成对抗网络模型及性能改进

在半监督的网络环境下，原始故障样本中会产生过剩的无类标签样本和少量的有类标签故障样本［11-12］，随着数据集规模的增大，样本训练的难度同步增加。数据集训练中，将上一轮训练中标记的最优样例加入到下一个训练集中，反复叠加训练容易导致数据积累错误，尤其是在大故障数据样本环境下，需要借助深度学习、神经网络等机器学习算法优化模型的性能［13-14］。生成对抗网络模型是一种基于机器学习的全新生成式模型，从结构上看，其由基于深度神经网络的生成器D和判别器G两部分组成。第一步，由生成器负责捕捉故障样本数据的分布形态，并辨别出正常样本和故障样本的信号特征及分布特征；第二步，将故障样本输入判别器判别出样本中包含真实值的概率，经过多次交替训练即能完全识别出异常样本，并达到纳什均衡，在半监督环境下生成对抗网络模型的基础结构，如图1所示。

