《机器人基础与数字孪生系统》 课件第8章 数字孪生系统的故障诊断.pptx

第八章数字孪生系统的故障诊断

【8.1基于特征生成模型的故障诊断方法】早期的故障诊断方法有振动监测技术、油液监测技术、温度趋势分析和无损探伤技术等，上述的故障诊断方法主要针对于普通单一的机械设备，无法适用于当下的复杂设备和复杂环境，已趋于淘汰。而随着计算机算力的提升和当下深度学习理论基础越来越完善，结合深度学习的轴承故障诊断方法相较于之前的方法能更准确的提供故障诊断和分类效果。由于故障数据难采集且故障类别分布不均衡，导致故障诊断的准确率和精确率受到影响。本节提出结合条件变分自编码器(ConditionalVariationalAutoencoder,CVAE)与辅助分类生成式对抗网络(AuxiliaryClassifierGenerativeAdversarialNetworks,ACGAN)进行特征生成，以实现准确故障诊断的新方法。

【8.1基于特征生成模型的故障诊断方法】【8.1.1条件变分自编码器】条件变分自编码器(CVAE)基于变分自编码器(VAE)的基础上对输入数据集增加了类别C作为原始数据的约束条件，通过对原始数据和类别进行编码得到隐含特征Z。通过引入均值μ、方差σ和噪声ε对进行重参数化，得到的重构式Z=μ+σ×ε，再用解码的方式将隐含特征和类别重构回原始数据的空间维度，得出重构后的数据与原始数据不断逼近，从而获得原始数据X的隐含特征Z。

【8.1基于特征生成模型的故障诊断方法】【8.1.2辅助分类生成式对抗网络】传统的GAN模型主要是通过对生成器G输入噪声Z，生成器G的目标是提取真实特征的分布并输出生成特征，尽可能的让生成特征在判别器D的判别中与真实特征一致。通过生成器G和判别器D的对抗过程完成对模型的训练过程，使得生成特征的分布不断逼近真实特征的分布，最终达到Nash均衡。通过CVAE网络训练得到的类别条件约束下的隐含特征可以通过辅助分类生成式对抗网络进一步得到类条件特征。

【8.1基于特征生成模型的故障诊断方法】ACGAN在GAN的理论基础上添加类别属性C来约束对抗网络。给生成器G输入噪声和类别，判别器D既需要对生成特征和真实特征进行真伪判别，又要基于给出的生成特征训练对应的类别属性，给出属于类别的概率分布。判别器和生成器通过动态抗衡的学习方式，最终达到Nash均衡，ACGAN网络可以借助训练好的生成器生成有效的类条件特征。

【8.1基于特征生成模型的故障诊断方法】【8.1.3CVAE-ACGAN特征生成模型】故障判断流程轴承振动信号作为原始故障数据，自定义故障类别属性，经过数据清洗和切割划分后分为训练集、测试集和验证集。训练集输入CVAE网络，通过编码解码的训练方式提取到类别条件约束下的隐含特征。将CVAE提取到的隐含特征作为判别器的真实数据输入源，通过生成器和判别器动态对抗的训练方式不断优化最终得到有效的类条件特征。结合ACGAN生成器输出的类条件特征和训练集进行拼接，把扩增后的新数据集作为CNN网络的训练集，结合分类器的监督学期和梯度下降算法，最小化CNN模型的损失函数，完成对CNN故障诊断模型的训练。最后，给CNN故障诊断模型输入测试集和验证集，使预测类别与真实类别尽可能一致，验证模型分类能力，得到轴承故障诊断结果进行实验对比分析。

【8.1基于特征生成模型的故障诊断方法】CVAE-ACGAN模型训练主要分为两部分：CVAE提取原始数据类别条件约束下的隐含特征和ACGAN生成有效的类条件特征。

【8.1基于特征生成模型的故障诊断方法】【8.1.4CVAE-ACGAN-CNN实验对比验证】采用凯斯西储大学(CWRU)轴承数据集和意大利都灵理工大学(PoliTO)轴承数据集作为数据源，在同种输入输出的条件下，与其他四种特征生成模型的故障诊断结果进行对比。凯斯西储大学信号采集实验台由一台电动机、一个功率测试计和传感器组成。传感器信号采集频率主要分为12KHz和48Khz，通过电火花加工的方式为轴承构造人为损伤，其中根据损失直径的不同分为0.007英寸、0.014英寸、0.021英寸和0.028英寸。取驱动端加速度样本数据，按照内圈、外圈和滚动球体三种故障位置，每种故障位置又按照损伤直径0.007，0.014和0.021的顺序排列，再加上设备健康的状态，自定义10种故障类别，按照数字0-9的方式来标记，将数据集按照7:2:1的比例划分为训练集、测试集和验证集，取每个数据集长度为1024。

【8.1基于特征生成模型的故障诊断方法】【8.1.4CVAE-ACGAN-CNN实验对比验