生成对抗下的旋转机械故障诊断范文

摘要：基于深度学习的故障诊断方法因其在特征学习方面的突出表现而受到研究者的关注。在实际应用中，旋转机械的故障信号难以采集，造成数据不平衡的问题。因此，提出了一种基于生成对抗学习的旋转机械故障诊断新模型。在该模型中，生成器可以生成特定概率分布的故障数据，用来丰富和平衡故障诊断数据集。实验结果表明，该方法具有良好的诊断性能和应用前景。

关键词：故障诊断；生成对抗网络；旋转机械；深度学习

深度学习由于其良好的特征提取能力，近年来成为机械故障诊断领域的突破性技术之一。基于深度学习的模型已被应用于故障诊断。然而，无论是传统方法还是基于深度学习的新方法，机械故障诊断的研究仍然面临着一些根本的挑战。比如，在实际工业现场旋转机械故障是偶发的，故障相关信号难以采集，在故障诊断模型训练时存在数据量不平衡的问题，该问题已经引起了学术界的广泛关注［1－3］。本文利用生成对抗网络来构建平衡数据集，进而训练故障诊断模型，解决了实际应用中故障诊断的这个关键问题。

1生成对抗网络概述

1．1对抗生成网络雏形

2014年，Goodfellow［4］提出了一种名为生成对抗网络（Gen-erativeAdversarialNetworks，GANs）的神经网络模型，其利用对抗的思想，提高了生成图像的分辨率，使得网络能够无监督地学习到数据的概率分布。生成对抗网络通过交替训练一个生成器G和判别器D，使G能够生成以假乱真的样本，而D能够对真实和生成的样本进行二分类：真实的样本经过D输出趋向于1，而G生成的样本输入D，得到的结果趋向于0，其模型结构如图1a，G的输入是随机生成的噪声矢量。G通过逐步学习从而生成与训练样本分布相同的数据。D的输入是生成的数据或原始数据，其必须区分输入数据是真实的还是生成的。训练G和D，不断更新参数，直到G能够反映原始数据的分布。其价值函数为：第一步最大化D的部分使得D能够很好地鉴别数据，第二步最小化G的部分，提高G的性能使得D再次鉴别不了G生成的数据，循环往复。

1．2对抗生成网络的变体

生成对抗网络的训练没有约束，由于生成器的输入是随机噪声，不能生成期望的数据。因此，条件生成对抗网络［5］通过添加标签信息来生成指定的样本，其模型如图1b。其价值函数增加了标签部分：图1c展示了辅助分类的生成对抗网络［6］，将原始数据划分为多个子类，使得生成器能够生成更为清晰的样本，但它的分类器只能起到辅助作用，不具有很好的分类效果。

2故障诊断模型构建

针对辅助分类生成对抗网络的不足，本节提出一种改进的增强生成对抗网络，并将其应用于旋转机械的故障诊断，可以有效地解决工业界在训练诊断模型时面临的不平衡数据集问题。

2．1生成器

生成器G的任务是将正态分布或其它分布的随机向量（特征）映射到真实序列中，图2为映射的具体实现形式。本文引入图像生成的反卷积操作，通过改变数据形式能很好地处理时间序列。参照语义分割［7］的模型，构造了一个三层反卷积作为G网络。

2．2判别器

真实数据和生成器生成的数据转化成32×32的特征图，输入到判别器网络中，通过在每个卷积层后设置LeakyReLU激活函数和dropout神经元随机失活层，进行卷积操作得到深层特征，再分别经过两个全连接层，判别是否存在故障，如有识别故障类型。生成器模型如图3所示。

2．3训练流程

当滚动轴承旋转时，传感器收集原始输入数据。原始数据经过标注故障类型，作为D在一次迭代训练过程中的输入。G构造一个映射，输入是有标签的噪声随机值，噪声的值可以是－1到1之间的正态分布。生成的数据与实际数据结合，成为D的另一个输入。D网络学习输入数据的特征，计算损失函数，得到一个梯度来更新D和G的参数。优化目标由三部分组成，分别是分类的交叉熵损失函数、判别器的损失函数和生成器的损失函数。公式如下所示：

3实验验证

3．1数据集

图4展示了轴承数据的采集装置，其包括驱动电机、梅花联轴器、健康轴承、测试轴承、螺栓螺母加载系统、加速度计、NIPXle－1082数据采集系统的实验平台。SGSF－20K测功机安装在螺栓螺母加载系统中，带有加载螺栓、螺母和缓冲装置。螺母被压紧在支架上，通过拧紧螺栓上方的螺母来产生可调节的径向载荷。通过PCB352C33加速度计采集信号，采样频率为10kHz。包含四种设备状态（正常故障、外圈故障Out、内圈故障In和滚动体故障Ball）和三种故障尺寸（0．2mm、0．4mm和0．6mm)，九个故障工况分别标注为Out02、In02、Ball02、Out04、In04、Ball04、Out06、In06和Ball06。

3．2实验结果及可视化

基于上述实验装置进行了四组实验，将处理好的数据输入到本文设计的模型中得到F－score诊断指标，如表1所示。F－score是一种衡量模型能力的指标，分数越高性能越优异。通过与普通卷积神经网络模型CNN对比，本文提出的模型在不平衡数据情况下体现其优越性。进一步可视化研究，用T－SNE［8］方法对模型中间层的特征向量进行可视化，如图5所示其中a、b、c分别代表生成数据、训练数据、测试数据的特征向量。由图可知，本文提出的模型具有较强的分类能力。

4结束语

本文对深度学习中的辅助分类生成对抗网络做了改进，使其能够应用于旋转机械故障诊断领域，并着重介绍了相关模型，通过实验装置模拟了工业领域存在的不平衡故障数据集问题。实验结果表明，该模型效果优于传统方法和一般的深度学习方法，具有较高的应用价值。

作者：李奇 张菁华 杨冰如 陈良 单位：苏州大学机电工程学院