一种基于DCGAN-CNN的故障分类方法

一种基于dcgan-cnn的故障分类方法
技术领域
1.本发明属于故障诊断技术领域，具体涉及一种基于dcgan-cnn的故障分类方法。


背景技术：

2.现代的工业流程体系，在促进社会进步与发展中，具有不可替代的作用。随着科技水平的提高，工业装备日益复杂化、信息化、智能化，在设备中出现一个故障，就会对其他零部件造成一定的影响，因此，对故障进行准确的诊断可以有效提高机械的安全性和可靠性。近年来，基于深度学习的智能故障诊断技术发展迅速，为工业机器的正常运行提供了可靠保障。与手动选择特征的传统方法相比，基于深度学习的故障诊断框架具有强大的特征学习能力，可以自动选择有利于准确分类的判别特征。由于深度学习训练的特殊性，需要的数据量较大，但在实践中，不同机器运行状态之间的训练样本通常是不平衡的。对于运行中的机械系统，其大部分时间在正常情况下工作，收集到的正常样本充足，但机械发生故障的频率较低，收集样本数量有限，因此正常样本与故障样本之间存在不平衡。
3.针对不平衡数据的故障样本分类，生成对抗网络(gan)可以通过生成少数类样本解决数据不平衡问题。作为一种生成模型，gan及其衍生模型常用于为深度学习中的数据增强、数据预处理方法生成样本，并在图像处理、生物医学、网络与信息安全等领域有着广泛的应用场景。本发明采用小波变换进行故障信号特征提取，基于生成对抗网络的变体-深度卷积生成对抗网络(dcgan)解决数据不平衡问题，结合cnn构建分类器实现故障分类任务。


技术实现要素：

4.本发明的目的是提供一种基于dcgan-cnn的故障分类方法，提高数据不平衡下的故障诊断准确率。
5.本发明所采用的技术方案是，一种dcgan-cnn的故障分类基于方法，具体按照以下步骤实施：
6.步骤1、使用小波变换对故障信号提取时频特征信息，构成新的特征故障数据集；
7.步骤2、构建dcgan网络模型：基于卷积网络构建生成器和判别器；
8.步骤3、将步骤1中的特征故障数据集输入到dcgan网络模型中进行训练，当训练结束后生成合成故障数据样本；
9.步骤4、将所述步骤3得到的合成故障数据样本添加到步骤1得到的特征故障数据集中，并划分训练集和测试集；
10.步骤5、基于cnn构建分类器，使用训练集对网络进行训练得到cnn分类模型；
11.步骤6、使用步骤4中的测试集对所述步骤5得到的分类模型测试，并通过准确率、精准率、召回率以及f1-score评价指标进行模型评估。
12.本发明的特点还在于，
13.步骤1具体按照以下步骤实施：
14.步骤1.1、选择小波函数及尺度a，并将这个小波函数与要分析的信号的起始点对
齐；
15.步骤1.2、从信号起始位置开始，计算在该时刻要分析的信号与小波函数的逼近程度，即使用公式(1)计算得到小波系数，小波系数越大，代表此刻信号与所选择的小波函数波形越接近；
16.步骤1.3、将小波函数沿着时间轴向右移动一个单位时间，即沿时间轴进行扫描，重复步骤1.2求出该时刻的小波系数，直至扫描完整个待分析信号长度；
17.步骤1.4、改变尺度a，重复步骤1.2～1.3完成对频率轴的扫描；
18.基于上述步骤1.3和步骤1.4分别完成对故障信号的时域和频域的特征分析。
19.步骤2中dcgan网络模型由两个模块组成：生成器网络g和判别器网络d，生成器的任务是接收随机分布的噪声z，使合成的样本g(z)与真实样本分布一致；判别器的任务是接收生成器的数据g(z)和真实样本数据x，并区分所接收数据的真假。
20.步骤2网络构建过程具体按照以下步骤实施：
21.步骤2.1、构造生成器网络g：生成器网络g的输入为随机噪声z，通过三层反卷积操作转化为真实样本大小，在三层反卷积操作之间进行批量归一化，生成器输出为与步骤1中数据集相同尺寸的图像；
22.步骤2.2、构造判别器网络d：判别器网络d的输入为步骤1中的真实样本数据x和步骤2生成器g输出的合成样本数据g(z)，判别器网络d将输入数据经过三个卷积层，最后输出层使用sigmoid激活函数计算输入图像是否真实的概率。
23.步骤3具体按照以下步骤实施：
24.dcgan的损失函数如下式(2)：
[0025][0026]
其中，g，d分别代表生成器和判别器，x～p
data
(x)表示真实数据的分布，z～pz(z)表示随机噪声分布，d(x)代表真实数据经过判别器的输出结果，d(g(z))代表生成器合成数据g(z)经过判别器的输出结果；
[0027]
基于上式(2)对dcgan网络模型进行优化，具体如下：
[0028]
步骤3.1、通过对上式(2)的损失最小化更新生成器网络参数，使得生成器网络的输出与真实数据更加相似；
[0029]
步骤3.2、通过最大化上式(2)的损失结果更新判别器网络参数，使得判别器网络能更准确的区分真实数据和合成数据；
[0030]
通过步骤3.1与步骤3.2进行对抗训练，更新dcgan网络参数，使得生成器和判别器达到相对平衡状态，即可使用训练完成的dcgan生成数据，解决原始数据不平衡问题。
[0031]
步骤5具体按照以下步骤实施：
[0032]
采用cnn作为分类器，cnn以步骤4中的数据作为输入，cnn网络由3个卷积核为3*3的卷积层、两个2*2的最大池化层、全连接层以及softmax输出层组成，使用训练集对cnn网络模型进行训练，得到cnn分类模型。
[0033]
本发明的有益效果是，一种基于dcgan-cnn的故障分类方法，改善了基础的gan模型会出现梯度消失、模式崩溃等问题，同时使用小波变换，更好地利用故障信号时域和频域信息，提取的时频图像特征方便dcgan处理，有效对故障数据扩充，提高分类准确率。
附图说明
[0034]
图1是本发明—一种基于dcgan-cnn的故障分类方法的整体流程图。
具体实施方式
[0035]
下面结合附图和具体实施方式对本发明进行详细说明。
[0036]
本发明一种dcgan-cnn的故障分类基于方法，流程图如图1所示，具体按照以下步骤实施：
[0037]
步骤1、使用小波变换对故障信号提取时频特征信息，构成新的特征故障数据集；
[0038]
步骤1具体按照以下步骤实施：
[0039]
小波变换是一种信号的时域-频域分析方法，在时域和频域都具有表征信号局部特征的能力。其含义是将基本小波函数作位移τ后再在不同尺度a下，与待分析信号x(t)作内积，即
[0040][0041]
其中，wt(a，τ)表示小波系数；a＞0称为尺度因子，控制小波函数的伸缩，对应信号的频率；τ表示位移，控制小波函数的平移，对应信号的时间信息。
[0042]
步骤1.1、选择小波函数及尺度a，并将这个小波函数与要分析的信号的起始点对齐；
[0043]
步骤1.2、从信号起始位置开始，计算在该时刻要分析的信号与小波函数的逼近程度，即使用公式(1)计算得到小波系数，小波系数越大，代表此刻信号与所选择的小波函数波形越接近；
[0044]
步骤1.3、将小波函数沿着时间轴向右移动一个单位时间，即沿时间轴进行扫描，重复步骤1.2求出该时刻的小波系数，直至扫描完整个待分析信号长度；
[0045]
步骤1.4、改变尺度a，重复步骤1.2～1.3完成对频率轴的扫描；
[0046]
基于上述步骤1.3和步骤1.4分别完成对故障信号的时域和频域的特征分析。
[0047]
步骤2、构建dcgan网络模型：基于卷积网络构建生成器和判别器；
[0048]
步骤2中dcgan网络模型由两个模块组成：生成器网络g和判别器网络d，生成器的任务是接收随机分布的噪声z，使合成的样本g(z)与真实样本分布一致；判别器的任务是接收生成器的数据g(z)和真实样本数据x，并区分所接收数据的真假。
[0049]
步骤2网络构建过程具体按照以下步骤实施：
[0050]
步骤2.1、构造生成器网络g：生成器网络g的输入为随机噪声z，通过三层反卷积操作转化为真实样本大小，在三层反卷积操作之间进行批量归一化，生成器输出为与步骤1中数据集相同尺寸的图像；有助于处理初始化不良导致的训练问题，同时加速模型训练，提升了训练的稳定性；
[0051]
步骤2.2、构造判别器网络d：判别器网络d的输入为步骤1中的真实样本数据x和步骤2生成器g输出的合成样本数据g(z)，判别器网络d将输入数据经过三个卷积层，最后输出层使用sigmoid激活函数计算输入图像是否真实的概率。
[0052]
步骤3、将步骤1中的特征故障数据集输入到dcgan网络模型中进行训练，当训练结束后生成合成故障数据样本；
[0053]
步骤3具体按照以下步骤实施：
[0054]
dcgan的损失函数如下式(2)：
[0055][0056]
其中，g，d分别代表生成器和判别器，x～p
data
(x)表示真实数据的分布，z～pz(z)表示随机噪声分布，d(x)代表真实数据经过判别器的输出结果，d(g(z))代表生成器合成数据g(z)经过判别器的输出结果；
[0057]
基于上式(2)对dcgan网络模型进行优化，具体如下：
[0058]
步骤3.1、通过对上式(2)的损失最小化更新生成器网络参数，使得生成器网络的输出与真实数据更加相似；
[0059]
步骤3.2、通过最大化上式(2)的损失结果更新判别器网络参数，使得判别器网络能更准确的区分真实数据和合成数据；
[0060]
通过步骤3.1与步骤3.2进行对抗训练，更新dcgan网络参数，使得生成器和判别器达到相对平衡状态，即可使用训练完成的dcgan生成数据，解决原始数据不平衡问题。
[0061]
步骤4、将所述步骤3得到的合成故障数据样本添加到步骤1得到的特征故障数据集中，并划分训练集和测试集；
[0062]
步骤5、基于cnn构建分类器，使用训练集对网络进行训练得到cnn分类模型；
[0063]
步骤5具体按照以下步骤实施：
[0064]
采用cnn作为分类器，cnn以步骤4中的数据作为输入，cnn网络由3个卷积核为3*3的卷积层、两个2*2的最大池化层、全连接层以及softmax输出层组成，使用训练集对cnn网络模型进行训练，得到cnn分类模型。
[0065]
步骤6、使用步骤4中的测试集对所述步骤5得到的分类模型测试，并通过准确率、精准率、召回率以及f1-score评价指标进行模型评估。