买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于生成对抗网络的轴承振动监测特征阈值自学习方法，步骤如下：获取轴承振动加速度信号；对加速度信号进行去均值和分割，得到同一工况下的众多振动信号样本集；采用卷积池化层和全连接层构建自学习神经网络模型的判别器，采用反卷积层构建自学习样本生成器，利用振动信号样本集训练自学习神经网络模型；利用训练好的自学习神经网络模型样本生成器生成振动信号样本进行特征值计算；将特征值乘以一定倍数定义为特征阈值，提供设备监测使用。本方法避免人为设置特征阈值，能自动根据设备运行规律给出轴承振动信号特征阈值的动态调整，同时在轴承运行多工况背景下，该方法能给出对应的特征阈值，使得轴承振动监测更加智能化。

主权项：1.一种基于生成对抗网络的轴承振动监测特征阈值自学习方法，其特征在于，包括如下几个步骤：步骤S1：自学习特征值选择选用振动信号特征均方根和峭度值作为轴承状态监测的特征阈值设计基准；步骤S2：自学习样本预处理利用振动加速度传感器采集一个周期T内的轴承运行状态数据，对轴承运行状态数据样本进行去均值预处理，然后分割得到多个相同长度为n的短样本xr；每个短样本标记工况信息，包括轴承运行转速、负载和采样时间，并存储至数据库；从数据库中，按照相同工况选择一个周期T的轴承运行状态数据样本作为自学习神经网络模型的训练样本集Xtrain；根据轴承运行工况，每个工况都相应采集一个周期样本并存储至样本数据库，以构建各个工况下的自学习神经网络模型训练样本集；步骤S3：构建特征阈值自学习神经网络模型基于深度学习生成对抗神经网络，自学习神经网络模型主要由生成器G和判别器D构成；生成器G包含三层一维卷积层，Decov1-Decov2-Decov3，生成器G的输入为一个区别于S2中的训练样本集的z维的高斯白噪声数据，通过三层卷积层，实现数据上采样，输出为一个长度为n的数据样本xg；判别器D为一个二分类卷积网络，包含两层卷积池化层和三层全连接层，Cov1+Pool1-Cov2+Pool2-FC1-FC2-FC3，判别器D的输入为长度为n的数据样本x，而输出经Sigmoid函数转成为一个长度为2的矩阵Mm1,m2，其中其中m1表示为输入x为xr的概率，而m2则表示输入x为xg的概率；步骤S4，利用训练样本集Xtrain训练自学习神经网络模型利用步骤2所构建的训练样本集，训练自学习神经网络模型，训练目标函数如式1所示，训练主要分为判别器D和生成器G的训练；首先进行判别器D训练，将训练样本集Xtrain输入判别器D，利用式2所示的交叉熵损失函数计算判别器D的损失loss1；接着生成器G生成等量的数据样本xg并输入判别器D，利用式2交叉熵损失函数计算损失loss2，合并loss1和loss2反馈给判别器D并通过Adam函数进行梯度更新；接着进行生成器G训练，生成器G重新生成数据样本x′g，而数据样本xg将标记为1输入至判别器D进行鉴定，也即计算数据样本xg属于Xtrain的概率，利用式2交叉熵损失函数计算此时的loss，之后loss将传递给生成器G并通过Adam函数进行G的梯度更新； 式1中，Dx表示xr属于1的概率，而DGz表示xg属于0的概率； 式2中，yi表示样本i的标记，就本方法而言，样本xr的标记为1，而样本xr的标记为0，而pi则表示样本i识别为1的概率；接着进行第二次迭代训练，即重复判别器D和生成器G的训练过程，更新判别器D的参数，使得判别器D能准确识别出真实样本xr和生成样本xg；迭代训练生成器G，使生成样本xg通过判别器D鉴定为真实样本xr的概率不断提升，即得到生成样本xg的样本分布和真实样本xr的样本分布越来接近；以此类推，完成多次自学习神经网络模型训练，得到第epoch代的生成器G和判别器D，此时判别器D无法分辨输入样本x是自学习生成样本xg和真实样本xr；步骤S5：利用训练好的样本生成器G生成自学习样本利用步骤4中训练好的自学习样本生成器G，从随机分布的高斯白噪声数据中生成一组生成样本xg，此生成样本xg即为通过轴承振动信号样本自学习得到的样本，振动信号特征阈值将以此生成样本为基础进行操作计算；步骤S6：特征阈值计算以步骤5得到的生成样本xg作为相应工况下的特征阈值自学习基准数据，利用式4和式5计算生成样本xg的均方根值RMS和峭度值K，然后分别乘以1.2倍作为最终自学习神经网络模型自学习样本的特征阈值VT1和VT2； 式中，n为单个样本长度，xi为信号值；步骤S7：特征阈值更新选定特征阈值的更新周期T，重复步骤S1至步骤S6，以周期时间T内的振动信号样本进行轴承振动信号的特征阈值学习并更新。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于生成对抗网络的轴承振动监测特征阈值自学习方法