基于改进条件生成对抗网络的小样本滚动轴承智能诊断方法

本发明属于旋转机械小样本智能故障诊断，具体涉及一种基于改进条件生成对抗网络的小样本滚动轴承智能诊断方法，主要适用于滚动轴承等机械设备关键部件的智能故障诊断。

背景技术：

1、机械设备的稳定与可靠运行是保障工业过程安全性与生产连续性率的基础前提。随着设备服役周期的延长，滚动轴承等关键零部件的累积性损伤及潜在故障概率显著上升。若此类潜在威胁未能被及时识别与干预，极易演变为重大事故，造成不可逆的设备故障甚至人员伤亡。因此，开展滚动轴承智能故障诊断研究，对于提升复杂机械系统的主动运维能力、延长设备使用寿命及降低非计划停机风险都具有重要意义。

2、在实际工业场景中，设备管理者通常要求机械设备出现异常征兆时立即停机检查，故障样本采集与积累极其困难，容易导致故障样本在可用训练总样本中占比极低、数据类别分布严重失衡的小样本问题。该问题已成为制约智能故障诊断方法在实际工程中诊断精度与泛化能力的核心瓶颈之一。

3、利用生成对抗网络（gan）充分学习故障数据的真实特征分布，然后通过训练后的生成器合成与真实故障样本具有统计相似性的仿真数据，以此实现对少数类样本的扩充，是当前小样本诊断的主要解决方案。此类方法可以从数据层面扩充故障样本规模，实现数据集平衡，极大程度上缓解故障样本不平衡所导致的诊断模型性能不足问题。

4、然而，现有基于gan的小样本诊断方法仍面临若干技术缺陷。其一，gan及其多数变体在训练过程中易出现训练振荡及模式坍塌问题，导致生成样本的真实性与多样性不足；其二，在数据合成过程中存在生成映射机理模糊的问题，导致生成过程可控性低与数据质量差；其三，类别标签通常仅在生成器的首层简单嵌入，难以实现精确和有效的条件控制。因此，亟需设计一种新型的生成对抗网络结构，以提升小样本条件下合成数据的保真度、多样性及类别可控性，从而改善智能诊断模型在故障样本稀缺条件下的性能。

技术实现思路

1、针对上述技术难题，本发明提供了一种基于改进条件生成对抗网络的小样本滚动轴承智能诊断方法。

2、本发明的技术方案如下：

3、首先，构建并训练一个编码器，用于获取能够表征真实故障数据分布规律的潜在特征向量。所述潜在特征向量作为后续生成过程的语义先验信息，约束生成器的输入空间，从而增强数据合成过程的可控性并保证生成数据质量。

4、其次，将所述编码器输出的潜在特征向量与对应的故障标签信息进行特征级融合。生成器以融合特征为基础，通过多层反卷积操作合成与指定故障类别相匹配的高质量仿真故障样本。过程中，标签信息嵌入到生成器的多个反卷积层，实现对生成样本类别的精确条件控制。

5、再次，设计一个具备多重约束机制的判别器。所述判别器同时判别输入样本的真实性与故障类别，通过联合优化所述判别损失与分类损失，迫使生成器的生成数据在数据分布特性与故障类别方面均与真实数据保持高度一致性。

6、最后，利用训练好的生成器合成指定数量的仿真故障样本，构成类别均衡且规模充足的训练集，并以此为基础训练一个独立部署的智能诊断网络，完成小样本场景下的故障模式识别任务。

7、通过上述编码器-生成器-判别器的协同对抗训练机制，本发明能够在故障样本极度稀缺的场景下，生成高保真度、高多样性且类别可控的仿真故障数据，缓解因数据不平衡导致的诊断模型性能退化问题，提升滚动轴承智能诊断方法在小样本工程场景下的识别准确率与鲁棒性。

8、一种基于改进条件生成对抗网络的小样本滚动轴承智能诊断方法，具体步骤如下：

9、步骤1：采集机械设备不同故障情况下的轴承振动数据并进行归一化处理，构造初始不平衡数据集。

10、步骤2：构建一个由多个卷积块级联而成的编码器，提取真实轴承振动数据的潜在特征表示，在数据生成过程中为生成器提供高度相关的语义信息，并实现积极的特征引导，增强数据生成过程的可控性。潜在特征的表达式如下：

11、

12、其中，表示输入编码器的真实轴承振动数据样本；表示由编码器提取得到的潜在特征；表示编码器对进行特征提取后的输出结果；表示批归一化处理；、分别表示编码器中的第个卷积层和对应激活函数，上标

e表示其属于编码器；本发明的编码器均采用leakyrelu激活函数。

13、步骤3：将潜在特征、类别标签和噪声向量共同作为生成器的输入，输入到由多层反卷积操作级联而成的生成器中，逐步获得与指定故障类别相对应的生成轴承振动数据。

14、

15、其中，、分别表示生成器中的第个反卷积层和对应激活函数，上标表示其属于生成器；标签耦合机制表示label coupling机制，用于将类别标签与潜在特征在生成器的多层反卷积过程中进行耦合，从而增强生成样本的类别区分度和语义一致性。

16、机制的作用过程如下：

17、（1）设某一反卷积层输出的特征为反卷积层输出特征。该反卷积层输出特征为潜在特征经生成器中前序反卷积层映射后得到的中间特征，与步骤3中的潜在特征属于前后传递关系。首先，在后续的反卷积层前引入条件批归一化操作，使反卷积层输出特征根据类别标签进行归一化和自适应调整，保持生成过程中不同类别特征的可分性，从而有效增强类别条件生成的质量，具体计算如下：

18、

19、其中，反卷积层输出特征表示归一化前的中间特征，归一化潜在特征表示反卷积层输出特征经条件批归一化函数处理后的特征；条件批归一化函数表示条件批归一化函数；特征均值、特征方差分别代表反卷积层输出特征的均值与方差；缩放参数、偏移参数是依据类别标签动态调整的缩放参数与偏移参数。

20、（2）以类别标签向量作为查询向量，以归一化潜在特征作为键向量和值向量，对类别标签与归一化潜在特征进行聚合与加权，显式建立两者之间的交互关系，得到关联类别信息的潜在特征语义向量，并将作为后续反卷积层的输入。

21、

22、

23、

24、其中，、、分别表示查询向量、键向量和值向量；分别为对应的权重矩阵；表示注意力机制；表示归一化指数函数，用于计算查询向量与键向量之间的注意力权重。

25、（3）在生成器的前个反卷积层之后都加入标签耦合机制，确保标签信息能够在数据生成的各个阶段持续参与指导与发挥作用，从而实现更加精确和有效的条件控制。

26、步骤4：构建一个由多个卷积层级联而成的判别器，并将真实轴承振动数据和生成轴承振动数据分别输入。判别器的前端卷积结构与编码器在卷积层数量和通道设置上相同，但二者功能不同：编码器用于输出潜在特征，判别器用于输出判别结果。判别器的输出端在最后增加两个并联的线性层，第一线性层输出真实性判别结果，用于判断输入数据为真实数据还是生成数据；第二线性层输出类别预测标签，用于判断输入数据所属的故障类别。此外，判别器的每个卷积层之后使用谱归一化，而编码器使用批归一化，因此二者并非完全相同结构；谱归一化通过约束判别器权重的谱范数来控制lipschitz常数，从而稳定对抗训练过程。

27、步骤5：基于步骤4中判别器输出的真实性判别结果和类别预测结果，在判别器端施加多重损失约束机制，约束生成器输出生成轴承振动数据，使生成轴承振动数据与真实故障样本在数据真实性和类别一致性方面具有高度相似性。

28、步骤5.1：判别损失以真实性判别结果为计算对象，从数据分布的视角约束生成数据与真实数据的相似性。

29、

30、其中，表示真实轴承振动数据服从真实数据分布时的期望；表示噪声变量服从噪声分布时的期望；表示鉴别器对数据真实性的判定结果；表示生成器输出的生成轴承振动数据。

31、步骤5.2：分类损失以类别预测结果为计算对象，用于保证生成数据与真实数据的类别一致性。

32、

33、其中，表示判别器输出的类别预测结果；表示输入数据对应的类别标签。

34、步骤6：模型训练，基于步骤5得到的判别损失和分类损失分别构造判别器损失与生成器损失。判别器损失由步骤5中的和组合得到，用于更新判别器，使判别器同时提升真实性判别能力和类别识别能力；生成器损失使用步骤5中生成轴承振动数据对应的真实性判别项和分类项，用于联合更新编码器和生成器。

35、步骤6.1：冻结编码器和生成器的参数，将真实轴承振动数据和生成轴承振动数据输入判别器，按计算判别器损失并更新判别器的网络参数，以提升其对数据真实性和故障类别的综合鉴别能力。

36、

37、

38、步骤6.2：冻结判别器的网络参数，将编码器提取的潜在特征、类别标签和噪声向量输入生成器得到生成轴承振动数据，再根据步骤5中生成轴承振动数据对应的真实性判别项和分类项计算生成器损失，并通过反向传播联合更新编码器和生成器的网络参数，促使编码器输出更适于生成器使用的潜在特征，并促使生成器合成与真实数据高度相似且类别一致的数据。

39、

40、其中，为生成轴承振动数据对应的真实性判别项，为生成轴承振动数据对应的分类项。

41、步骤6.3：交替实施步骤6.1与步骤6.2，通过先更新判别器、再联合更新编码器和生成器的方式，保障生成器能在潜在特征和类别标签的引导下，输出与真实数据在分布和类别两个维度均高度一致的指定类别样本。

42、步骤7：完成步骤6的交替训练后，得到经判别器约束训练后的编码器和生成器；其中，判别器用于训练阶段的真实性判别和类别预测反馈，不参与后续样本生成。固定训练好的编码器和生成器，将真实轴承振动数据输入编码器得到潜在特征，在同一故障类别内对潜在特征执行特征插值及中心牵引处理，并将处理后的潜在特征输入训练好的生成器中，以获得高质量、多样性的仿真故障样本。

43、步骤7.1：在相同故障类型的潜在特征中，任意选择两个样本与，并以线性插值的方式获得混合特征。

44、

45、其中，插值系数，用于控制混合特征在与之间的居中程度。

46、步骤7.2：为了避免插值后的特征脱离原本类别范围空间，对其进行施加中心牵引后，得到新的潜在特征，并用其引导生成器合成更具多样性的故障样本。

47、

48、其中，牵引系数，用于调节潜在特征与类中心的偏离程度；表示每个类别的特征中心，即该类别所有潜在特征的均值向量。

49、步骤7.3：将经中心牵引后的潜在特征与其对应的类别标签、噪声向量输入到训练好的生成器中，按照步骤3中的过程，获得指定数量和类别的仿真故障样本。

50、步骤8：将步骤7获得的仿真故障样本与原始不平衡数据集合并，对少数类样本进行补充，得到各类别数量均衡的数据集。

51、步骤9：构建由四级一维卷积特征提取单元和两级线性判别单元级联而成的独立智能诊断网络，并基于步骤8得到的类别均衡数据集对所述智能诊断网络进行训练。每个卷积特征提取单元均包括卷积层、批归一化层和relu激活层，用于从轴承振动数据中提取故障特征；第一线性映射层用于对故障特征进行映射并形成类别判别特征；第二线性分类层用于输出各故障类别的预测概率。训练完成后，将测试数据输入所述智能诊断网络，并将预测概率最大的类别确定为故障诊断结果，同时评估所述智能诊断网络的诊断性能。

52、与现有技术相比，本发明的有益效果是：

53、（1）本发明提出了一种基于潜在特征引导的数据生成方式，将真实样本的语义信息引入数据合成过程，增强了生成过程的可控性并提升了生成数据的质量，避免了传统方法中使用随机噪声为主要输入，数据合成过程映射机理模糊与训练稳定性不足的问题。

54、（2）本发明设计了一种标签耦合机制，深入挖掘潜在特征与类别标签间的耦合关系，将其嵌入生成器的多层结构，改善了标签信息在网络传递过程中被弱化的问题，实现了更加精确的特征引导与条件控制。

55、（3）本发明在鉴别器中引入谱归一化以稳定训练过程，同时在判别器端构建了多重损失协同约束的损失函数，确保生成数据在分布一致性与类别区分性方面与真实数据保持高度一致。