一种带梯度惩罚的dcgan的故障样本生成方法及系统
技术领域
1.本发明涉及一种机械故障诊断技术领域，特别是关于一种带梯度惩罚的dcgan的故障样本生成方法及系统。
背景技术：2.典型复杂机电系统如燃气轮机广泛应用在航空、舰船、发电等领域。燃气轮机因结构复杂，工作环境特殊，故障发生后设备维修可能导致设备长时间无法投入生产，造成很大损失。目前国内外燃气轮机故障诊断技术仍然采用时频域分析等传统诊断方法，难以满足如今快速、准确、智能等故障诊断需求。由于燃气轮机故障数据难以获取和数据分布不平衡等原因，智能故障诊断又受困于故障数据量不足问题，因而如何扩充燃气轮机故障数据，满足燃气轮机故障诊断需求数据量，进而解决数据分布不平衡等问题迫在眉睫。
3.作为当下机器学习领域主要研究方向之一，生成对抗网络(generative adversarial nets,gan)在数据生成研究领域越发成熟，针对燃气轮机故障数据难以获取和数据分布不平衡等问题，gan无需人为标记数据集，在源数据中就能自发进行学习，且学习效果较好。然而，发展初始阶段的gan模型很难生成指定需求的结果，当下基于gan故障诊断方法虽然广泛研究且可靠度较高，但燃气轮机振动信号故障数据样本难以获取且数据分布不均，适应其特点的gan故障样本生成模型对于燃气轮机故障诊断而言关键而又缺乏，仍需提升已有模型生成故障样本准确率，加快模型训练和样本生成效率。
技术实现要素：4.针对上述燃气轮机故障数据难以获取和数据分布不平衡等问题，本发明的目的是提供一种带梯度惩罚的dcgan的故障样本生成方法及系统，其能有效扩充故障样本，为复杂机系统故障诊断提供支持。
5.为实现上述目的，本发明采取以下技术方案：一种带梯度惩罚的dcgan的故障样本生成方法，其包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
6.进一步，所述生成器包括：
7.输入为符合高斯分布随机噪声向量，子网络由5个隐藏层组成，在每层隐藏层中采用leakyrelu激活函数，同时批量归一化；
8.所述符合高斯分布随机噪声向量输入所述生成器后，生成灰度图像为假数据，作为所述生成样本。
9.进一步，所述判别器包括：
10.所述判别器的子网络由多层卷积神经网络构成，输出前一层网络采用tanh激活函数，其余网络层采用relu激活函数；
11.第一层卷积神经网络作为输入通道，所述生成样本和所述二维灰度图像作为输入样本，经l+1层卷积神经网络提取输入样本卷积特征，得到样本真假分类结果。
12.进一步，所述根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，包括：
13.对真假样本进行联合空间取样，所述真假样本包括所述生成样本和所述故障样本；
14.根据空间联合取样得到所述判别器的输出，对所述判别器的输出和所述联合空间取样进行联合求导得到梯度grad；
15.对所述梯度grad进行平方差处理，得到真假样本的损失函数loss
eps
；
16.将所述真假样本的损失函数loss
eps
差加权合并，得到所述判别器的最终损失函数d
loss
；
17.根据梯度下降法得到所述生成器的初始损失函数ploss，根据所述初始损失函数ploss，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到所述生成器的最终损失函数g
loss
。
18.进一步，所述对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，包括：
19.将所述生成样本和所述故障样本中的有标签图像、无标签图像和生成样本图像，按batch-size输入所述判别器；
20.固定所述生成器的网络参数，采用ogp算法优化迭代训练损失函数，优化所述判别器权重参数；
21.固定所述判别器的网络参数，选取全连接层输出作为中间层特征，采用ogp算法更新所述生成器权重参数；
22.判断所需精度达到损失阈值，达到则保存网络参数，完成训练。
23.进一步，所述ogp算法包括：
24.在惩罚项中加入方向，保证所述深度卷积生成对抗网络模型更快收敛，找到更优解。
25.进一步，所述更优解为：
[0026][0027][0028]
式中，x表示真实样本，z表示随机噪声，表示样本空间中的所有点，全部的真实数据和生成数据，g(z)表示生成器输入随机噪声后得到的一组虚假样本；ogp表示加入惩罚项后的正交梯度惩罚，λ
gp
表示梯度惩罚项的常系数，表示d(
·
)数学期望，将真实数据带入生成数据之后得到的平均值，下标表示全部的真实数据和生成数据概率，表示梯
orthogonal gradient penalty，dcgan-ogp)故障样本生成模型。首先，构建深度卷积生成对抗网络模型，设计生成器和判别器，然后，使用cw-ru轴承数据集训练模型,，最后输入原始故障数据集获得故障样本，经过dcgan-gp扩充数据集，生成二维故障样本，经过分析，定义多类别svm损失和样本最大均值差异指标，结果表明扩充样本分类准确率达到98％。验证了本发明的模型生成样本能够有效提升燃气轮机故障诊断准确率。
[0045]
在本发明的一个实施例中，提供一种带梯度惩罚的dcgan的故障样本生成方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，如图1所示，该方法包括以下步骤：
[0046]
1)构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，生成器用于生成假数据，作为生成样本；
[0047]
2)对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，二维灰度图像为故障样本，将生成样本和故障样本输入判别器，获得样本真假分类结果；
[0048]
3)根据样本真假分类结果构建生成器和判别器的损失函数，固定生成器和判别器的网络参数，对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0049]
上述步骤1)中，生成器为：输入为符合高斯分布随机噪声向量，子网络由5个隐藏层组成，隐藏单元的数量分别为1024、1280、1536、1792和2048个单元，线性增加。为防止产生偏离故障数据区间的假样本，在每层隐藏层中采用leakyrelu激活函数，同时批量归一化，使划分的特征更容易识别。符合高斯分布随机噪声向量输入生成器后，生成灰度图像为假数据，作为生成样本。
[0050]
上述步骤1)中，判别器为：判别器的子网络由多层卷积神经网络(convolutional neural network,cnn)构成，为提升特征向量反馈效率，输出前一层网络采用tanh激活函数，其余网络层采用relu激活函数；
[0051]
第一层卷积神经网络作为输入通道，生成样本和二维灰度图像作为输入样本，输入样本为故障样本集，记作经l+1层卷积神经网络提取输入样本卷积特征，得到样本真假分类结果。
[0052]
在本实施例中，使用卷积神经网络提取输入样本卷积特征，其中cnn目标函数为：
[0053][0054]
式中，表示输入，表示卷积层l中第k个神经元，表示卷积层l-1中第i个神经元输出结果。表示卷积层l-1第i个神经元向卷积层l中第k个神经元核函数。
[0055]
由于判别器子网络由多层cnn构成，将代入式(7)推得在l+1层对应的cnn计算结果为：
[0056][0057]
上述步骤3)中，损失函数在训练gan模型中扮演关键角色，合理构建损失函数能有效提升模型学习能力。根据样本真假分类结果构建生成器和判别器的损失函数，包括以下步骤：
[0058]
3.1.1)为最小化模型真实数据与生成数据差异，对真假样本进行联合空间取样x
inter
，真假样本包括生成样本和故障样本；
[0059]
x
inter
＝eps
×freal
+(1-eps)
×ffake
ꢀꢀꢀ
(9)
[0060]
式中，eps表示样本的随机取样；f
real
表示模型训练中batch size真样本取样；f
fake
表示假样本取样。
[0061]
3.1.2)根据空间联合取样得到判别器的输出d(x
inter
)，对判别器的输出和联合空间取样进行联合求导得到梯度grad；
[0062][0063]
式中，i表示batch size所含样本数。
[0064]
3.1.3)为适应样本特征，对梯度grad进行平方差处理，得到真假样本的损失函数loss
eps
；
[0065][0066]
式中，n
grad
表示矩阵grad行数；k表示梯度系数，此处k＝1；λ表示梯度惩罚参数。
[0067]
3.1.4)由loss
eps
调节grad
→
k，将真假样本的损失函数loss
eps
差加权合并，得到判别器的最终损失函数d
loss
；
[0068][0069]
3.1.5)根据梯度下降法得到生成器的初始损失函数ploss，根据初始损失函数ploss，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到生成器的最终损失函数g
loss
；
[0070]
其中，初始损失函数ploss为：
[0071][0072]
故对整个样本空间，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到生成器损失函数为：
[0073][0074]
式中，β表示生成器梯度惩罚参数。
[0075]
上述步骤3)中，训练过程中，设置学习率平衡准确性和训练速度，根据样本初始化参数，调整batchsize、模型结构以及cnn层数，有效抑制过拟合现象。
[0076]
对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，包括以下步骤：
[0077]
3.2.1)将生成样本和故障样本中的有标签图像、无标签图像和生成样本图像，按batch-size输入判别器；
[0078]
3.2.2)固定生成器的网络参数，采用ogp算法(正交梯度惩罚算法)优化迭代训练损失函数，优化判别器权重参数；
[0079]
3.2.3)固定判别器的网络参数，选取全连接层输出作为中间层特征，采用ogp算法更新生成器权重参数；
[0080]
3.2.4)判断所需精度达到损失阈值，达到则保存网络参数，完成训练。
[0081]
其中，ogp算法具体为：在惩罚项中加入方向，保证深度卷积生成对抗网络模型更快收敛，找到更优解。
[0082][0083][0084]
式中，x表示真实样本，z表示随机噪声，表示样本空间中的所有点，全部的真实数据和生成数据，g(z)表示生成器输入随机噪声后得到的一组虚假样本。ogp表示加入惩罚项后的正交梯度惩罚，λ
gp
表示梯度惩罚项的常系数，表示d(
·
)数学期望，将真实数据带入生成数据之后得到的平均值，下标表示全部的真实数据和生成数据概率，表示梯度，d(
·
)表示判别器，表示加入方向的正交梯度惩罚项。
[0085]
在本实施例中，在设置生成对抗网络结构时，为了训练过程中损失函数满足利普希茨条件，采用式(4)所示的梯度惩罚项，但是超参数λ
gp
对网络训练过于敏感。
[0086][0087]
针对这个问题，现有的改进的梯度惩罚来解决，但相关的方法只考虑满足数值的大小条件，忽略了梯度的方向。从理论上讲，修正梯度方向是最佳优化方法，为此，本发明采用正交梯度惩罚(orthogonal gradient penalty，ogp)。如式(5)、(6)，通过考虑目标数据分布，在惩罚项中加入方向，可以保证模型更快收敛，找到更优解。
[0088]
在本实施例中，dcgan-ogp模型训练数据集采用凯斯西储大学(case western university,cwru)公开发布的轴承数据，采用cwru滚动轴承振动信号采集试验台。选取1772r/min工况下的驱动端轴承数据，采样频率为12khz,将正常轴承(health)和钢球故障(b007,b014,b021)、内圈故障(ir007,ir014,ir021)、外圈故障(or007,or014,or021)共10种数据作为研究对象，其中007、014、021分别对应于0.178、0.356、0.534mm的故障尺寸。每种数据取120 736个采样点进行vmd降噪，降噪后每隔784个点生成一张像素为24
×
24二维灰度图像。
[0089]
数据集oa1包含正常样本12000个，故障样本每类各10个，共计12090个样本，单类故障样本占比约为0.08％，未参与训练样本作测试集，数据集设置如表1所示。根据当前研究较为成熟深度卷积生成对抗网络(dcgan)、条件生成对抗网络(cgan)和dcgan-ogp对故障样本进行补充，生成集ga1、gb1、gc1分别为dcgan、cgan、dcgan-ogp对每类故障生成100个样本，共计1000个样本。不同模型训练参数相同，batchsize大小设置为11，数据维度大小设置为1000，学习率设置为1
×
10-6
，模型预训练迭代次数设置为80000次，生成器梯度惩罚参数β＝1
×
10-6
，判别器梯度惩罚参数λ＝10，生成器和判别器的优化方式均为adam优化算法。
[0090]
表1 cwru数据集试验设置
[0091]
[0092]
将预处理后10类灰度图像输入支持向量机(svm)分类器，定义多类别svm损失。
[0093][0094]
对于训练集中第i张图片数据xi，定义得分结果向量f(xi,w)，第j类得分记作f(xi,w)j，δ为分类阈值。dcgan-ogp、dcgan和cgan生成样本训练误差损失如图2所示，各类样本分类准确率如图3所示。对比dcgan和cgan训练损失值和识别准确率，结果表明，dcgan-ogp模型训练学习时收敛速度更快，其故障生成样本有更高分类准确率。
[0095]
下面通过实施例对本发明进行验证。某型燃气轮机的主体结构有涡轮、转轴、压气机等。运行时，低压压气机通过低压转轴，与低压涡轮相连，高压涡轮和高压压气机的连接通过高压转轴实现。通常用全机测振的方法采集燃气轮机振动数据。从不同部位、多角度实验后选择测点。经验证，前侧点选为低压压气机机匣前端径向位置，安装了速度传感器，又选择高压压气机和燃料室之间机匣径向位置作为后测点，安装了速度传感器。
[0096]
验证生成样本与试验样本特征：学习率设为0.002，，稀疏性参数为0.2，循环迭代100次，进行批量归一化处理，输出层选择softmax分类器，训练模型。
[0097]
分析生成样本与试验样本差异，对样本进行快速傅里叶变换，进行经验模态分解，解调提取故障频域特征，选取特征值指标进行比较，频域指标特征值如表2所示，频域特征值曲线如图4、图5所示。
[0098]
表2原始样本、生成样本频域特征值
[0099][0100][0101]
为表征特征值差异，根据式18计算样本最大均值差异(mmd)，计算结果如表3所示。
[0102][0103]
式中，xs和x
t
表示两个数据集，φ(.)为映射函数。
[0104]
表3生成样本集、原始样本集mmd值
[0105][0106]
计算结果表明dcgan-ogp生成样本mmd值较小，与原始样本更为相似。
[0107]
测试生成样本在故障诊断中有效性：实验采用某企业燃气轮机故障采集数据，组成如表4所示。
[0108]
表4燃机轮机故障诊断数据集
[0109][0110]
将数据集输入dbn燃机故障诊断模型，故障数据集诊断结果如图6所示。表明dcgan-ogp模型生成样本集测试准确率更高，能有效提升燃机故障诊断准确率。
[0111]
将数据集输入pca-fastica燃机故障样本分类算法，图7为dcgan模型生成样本分类结果，图8为dcgan-ogp模型生成样本分类结果，结果表明使用生成样本所得分类结果与dcgan模型生成样本相比故障分类准确率提升13.14％，验证了dcgan-ogp模型生成样本的有效性。
[0112]
综上，本发明通过训练优化损失函数，提升生成样本质量。通过正交梯度惩罚深度卷积生成对抗网络燃气轮机故障样本生成模型，有效扩充故障样本，为燃气轮机故障诊断提供支持。
[0113]
本发明建立dcgan-ogp燃气轮机故障样本生成模型，输入cwru滚动轴承数据集训练模型，验证生成样本有效性。将某企业燃气轮机故障数据输入dbn燃机故障诊断模型和pca-fastica燃机故障样本分类算法，验证模型生成样本对燃气轮机故障诊断提升效果，结果表明:dcgan-ogp燃气轮机故障样本生成模型能有效扩充故障样本，生成样本相较原始故障样本分类准确率达98％。相较于dcgan和cgan故障样本生成方法，dcgan-ogp模型生成样本准确率更高、收敛速度更快。dcgan-ogp模型生成样本所得分类结果与dcgan相比准确率提升13.14％。使用扩充样本，燃气轮机故障分类准确率达到97.43％。
[0114]
在本发明的一个实施例中，提供一种带梯度惩罚的dcgan的故障样本生成系统，其包括：
[0115]
第一处理模块，构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，生成器用于生成假数据，作为生成样本；
[0116]
第二处理模块，对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，二维灰度图像为故障样本，将生成样本和故障样本输入判别器，获得样本真假分类结果；
[0117]
训练模块，根据样本真假分类结果构建生成器和判别器的损失函数，固定生成器和判别器的网络参数，对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0118]
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0119]
本发明一实施例中提供的计算设备结构，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种带梯度惩罚的dcgan的故障样本生成方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行
提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、管理商网络、nfc(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令，以执行如下方法：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，二维灰度图像为故障样本，将生成样本和故障样本输入判别器，获得样本真假分类结果；根据样本真假分类结果构建生成器和判别器的损失函数，固定生成器和判别器的网络参数，对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0120]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0121]
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0122]
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，二维灰度图像为故障样本，将生成样本和故障样本输入判别器，获得样本真假分类结果；根据样本真假分类结果构建生成器和判别器的损失函数，固定生成器和判别器的网络参数，对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0123]
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，二维灰度图像为故障样本，将生成样本和故障样本输入判别器，获得样本真假分类结果；根据样本真假分类结果构建生成器和判别器的损失函数，固定生成器和判别器的网络参数，对正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。
[0124]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法
实施例类似，在此不再赘述。
[0125]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
技术特征：1.一种带梯度惩罚的dcgan的故障样本生成方法，其特征在于，包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。2.如权利要求1所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述生成器包括：输入为符合高斯分布随机噪声向量，子网络由5个隐藏层组成，在每层隐藏层中采用leakyrelu激活函数，同时批量归一化；所述符合高斯分布随机噪声向量输入所述生成器后，生成灰度图像为假数据，作为所述生成样本。3.如权利要求1所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述判别器包括：所述判别器的子网络由多层卷积神经网络构成，输出前一层网络采用tanh激活函数，其余网络层采用relu激活函数；第一层卷积神经网络作为输入通道，所述生成样本和所述二维灰度图像作为输入样本，经l+1层卷积神经网络提取输入样本卷积特征，得到样本真假分类结果。4.如权利要求1所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，包括：对真假样本进行联合空间取样，所述真假样本包括所述生成样本和所述故障样本；根据空间联合取样得到所述判别器的输出，对所述判别器的输出和所述联合空间取样进行联合求导得到梯度grad；对所述梯度grad进行平方差处理，得到真假样本的损失函数loss
eps
；将所述真假样本的损失函数loss
eps
差加权合并，得到所述判别器的最终损失函数d
loss
；根据梯度下降法得到所述生成器的初始损失函数ploss，根据所述初始损失函数ploss，针对假样本生成和集中的区域，计算中间区域的均值作为单次迭代过程中单个样本训练的损失，得到所述生成器的最终损失函数g
loss
。5.如权利要求1所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，包括：将所述生成样本和所述故障样本中的有标签图像、无标签图像和生成样本图像，按batch-size输入所述判别器；固定所述生成器的网络参数，采用ogp算法优化迭代训练损失函数，优化所述判别器权重参数；固定所述判别器的网络参数，选取全连接层输出作为中间层特征，采用ogp算法更新所述生成器权重参数；
判断所需精度达到损失阈值，达到则保存网络参数，完成训练。6.如权利要求5所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述ogp算法包括：在惩罚项中加入方向，保证所述深度卷积生成对抗网络模型更快收敛，找到更优解。7.如权利要求6所述带梯度惩罚的dcgan的故障样本生成方法，其特征在于，所述更优解为：解为：式中，x表示真实样本，z表示随机噪声，表示样本空间中的所有点，全部的真实数据和生成数据，g(z)表示生成器输入随机噪声后得到的一组虚假样本；ogp表示加入惩罚项后的正交梯度惩罚，λ
gp
表示梯度惩罚项的常系数，表示d(
·
)数学期望，将真实数据带入生成数据之后得到的平均值，下标表示全部的真实数据和生成数据概率，表示梯度，d(
·
)表示判别器，表示加入方向的正交梯度惩罚项。8.一种带梯度惩罚的dcgan的故障样本生成系统，其特征在于，包括：第一处理模块，构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；第二处理模块，对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；训练模块，根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述正交梯度惩罚深度卷积生成对抗网络模型得到生成故障样本集。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。
技术总结本发明涉及一种带梯度惩罚的DCGAN的故障样本生成方法及系统，其包括：构建正交梯度惩罚深度卷积生成对抗网络模型，设置生成器和判别器，所述生成器用于生成假数据，作为生成样本；对振动信号进行变分模态分解降噪，将降噪后的振动信号转为二维灰度图像，所述二维灰度图像为故障样本，将所述生成样本和所述故障样本输入所述判别器，获得样本真假分类结果；根据所述样本真假分类结果构建所述生成器和所述判别器的损失函数，固定所述生成器和所述判别器的网络参数，对所述正交梯度惩罚深度卷积生成对抗网络模型进行学习训练，由训练后的所述深度卷积生成对抗网络模型得到生成故障样本集。本发明能有效扩充故障样本，为复杂机电系统故障诊断提供支持。系统故障诊断提供支持。系统故障诊断提供支持。
技术研发人员：王红军 王政博 张翔 刘淑聪 王楠
受保护的技术使用者：北京信息科技大学
技术研发日：2022.07.22
技术公布日：2022/11/1
