1.基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于包括以下步骤:步骤1:获取滚动轴承的原始振动信号,并通过连续小波变换将其转换为时频域信号;
步骤2:将步骤1中获得的时频域信号划分为训练集和测试集,并构建不平衡率的数据集,步骤3:构建基于边界辅助判别的BD-ACGAN网络模型,在BD-ACGAN网络模型中引入Shuffle Attention注意力机制模块以及自适应权重损失模块,提高BD-ACGAN网络模型的学习能力和生成能力;
步骤4:完成BD-ACGAN网络模型的构建后,从步骤2所构建的不平衡数据集中随机抽取样本作为BD-ACGAN网络模型的输入,通过梯度下降方法对生成器和判别器进行交替训练至纳什平衡,然后,利用经过训练的生成器对训练数据集进行增广,得到融合数据集;
步骤5:利用步骤4获得的融合数据集对BD-ACGAN网络模型的辅助分类器进行训练,以检测故障诊断性能;
所述步骤3中,为使BD-ACGAN网络模型的训练过程快速收敛,引入了自适应权重损失模块,自适应权重损失模块能够根据各任务的特点,通过梯度反向传播更新的方式进行损失权重自我学习调节,以平衡各任务的重要性和特征,进一步提升BD-ACGAN网络模型的性能;其中,BD-ACGAN网络模型的自适应权重损失为:;
其中:W为权重参数;为噪声参数;为主判别器的损失函数,为边界辅助判别器的损失函数,为分类器损失函数,表示主判别器损失的自适应权重,表示边界辅助判别器损失的自适应权重,表示分类器损失的自适应权重;各项损失参数初始化为1,在训练过程中不断更新参数,从而适应各任务的需求,使网络稳定、快速的收敛。
2.根据权利要求1所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:所述步骤1包括如下步骤:S1.1:通过滚动轴承上的振动加速度传感器,获取不同故障状态下的滚动轴承的原始振动信号,形成原始振动信号数据集;
S1.2:采用连续小波变换对原始振动信号进行预处理,将经过连续小波变换后的时频域信号作为网络的输入;小波变换的公式如下:;
式中:为对信号进行小波变换后频率为、时间为时的变换值;表示时间变量;为原始信号;为小波基函数;分别为小波基函数的尺q度参数和平移参数;选择Cmor小波作为连续小波变换的基函数对原始振动信号数据进行处理。
3.根据权利要求1所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:所述步骤2中,为验证BD-ACGAN网络模型的生成能力和故障诊断能力并模拟实际轴承故障样本的情况,在实验仿真中将步骤1中所获得的真实样本数据集分别设置不平衡率分别为1:1、2:1、5:1和10:1四种。
4.根据权利要求1所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:所述步骤3中,BD-ACGAN网络模型由生成器G、主判别器和辅助判别器组成;生成器G由四个反卷积层组成,主判别器与辅助判别器由六个卷积层组成。
5.根据权利要求4所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:步骤3包括以下步骤:步骤S3.1:在边界辅助判别器中增加Sobel算子,Sobel算子能够通过计算图像中像素点的灰度值梯度来检测图像中的边界;
Sobel算子包含两组3×3的卷积因子,能够对样本进行横向及纵向的平面卷积,用于分别检测图像中的垂直边缘与水平边缘,使之分别得到横向及纵向的亮度差分近似值;其中,垂直边缘检测卷积核为,能够检测到图像中垂直方向上的边缘;水平边缘检测卷积核为,能够检测到图像中水平方向上的边缘;
步骤S3.2:分别在生成器第四个反卷积层、主判别器及辅助判别器第四个卷积层前增加Shuffle Attention注意力机制模块;
在Shuffle Attention注意力机制模块中,将输入的故障样本特征映射沿通道尺寸将特征图分组成多个不重叠区域的三维张量,其中:表示输入信号,表示被分成的不重叠区域数,分别表示特征图的通道数、空间高度和宽度;
步骤S3.3:计算BD-ACGAN网络模型的自适应权重损失;
步骤S3.4:在BD-ACGAN网络模型中增加随机梯度下降的双时间尺度更新规则,对判别器和生成器设置不同的学习率。
6.根据权利要求1所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:所述步骤4中包括以下步骤:S4.1:生成与分类联合训练:
在训练开始时,随机初始生成器和判别器的参数,此后每个迭代过程中,从步骤2所构建的不同不平衡率样本中随机选择一批样本用于生成器的训练,并输出相应不平衡率下的生成样本;随后,判别器通过对选择的真实样本和对应生成样本的真假判别和样本分类进行训练,在判别器的训练过程中,采用高斯似然最大化的损失函数计算损失和参数更新,以提高生成样本的质量;生成器和判别器之间通过梯度下降的方法交替训练,不断优化参数;BD-ACGAN网络模型训练时,判别器损失函数为基于高斯似然最大化的为:;
其中:为BD-ACGAN网络模型的输出,为权重参数,为噪声参数;
S4.2:数据集增广:
在这个阶段,利用经过训练的BD-ACGAN网络模型对训练数据集进行增广;
首先,固定生成器的参数,使用生成器生成大量样本,生成的样本通过数据增强技术进行处理,包括随机翻转、随机旋转、随机调整大小方法,以产生多样化的增强样本;
随后,将经过增强的样本与真实样本结合,形成一个新的融合样本数据集;最后,使用融合样本数据集训练分类器。
7.根据权利要求1所述基于边界辅助判别的滚动轴承故障特征增强及诊断方法,其特征在于:所述步骤5包括如下步骤:S5.1:故障分类器训练:
在该阶段仅对主判别器的分类器支路进行权重调整,在训练开始时,使用生成与分类联合训练阶段的权重对主判别器的辅助分类器参数进行初始化;随后,在每一次迭代过程中,从步骤4所获得的融合样本数据集中随机选择样本训练辅助分类器;在辅助分类器的训练过程中,使用交叉熵损失函数计算分类损失,并更新辅助分类器的参数,以提高BD-ACGAN网络模型诊断的准确度;其中,辅助分类器的交叉熵损失函数为:;
其中:表示真实分布概率,表示近似分布概率,表示随机变量;
S5.2:推理测试:
在实际推理测试阶段,只需要保留主判别D1的编码器及分类支路,并加载故障分类器训练阶段的权重参数;通过CWT对未知类别的一维故障数据进行预处理,将其转换为二维故障图像;然后将二维图像编码后输入至分类器,分类支路根据图像特征得到故障类别预测结果。