《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.pptxVIP

《机器人基础与数字孪生系统》

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人工智能

确的提供故障诊断和分类效果。能够感知、推理、行动和适应的程序

机器学习

由于故障数据难采集且故障类别分布不均衡，导致故障诊断能够随着数据量的增加不断改进性能的算法

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(AuxiliaryClassifierGenerativeAdversarial深度学习

机器学习的一个子集：利

Networks,ACGAN)进行特征生成，以实现准确故障诊断的新方用多层神经网络从大量数

据中进行学习

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。

原始数据X均值μ隐含特征Z

编码器解码器

类别C方差σ类别C

×

噪声ε

通过引入均值u、方差σ和噪声ε对进行重参数化，得到的重构式Z=μ+o×E,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】

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。

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。

生成特征

噪声Z生成器G

Xfake

判别器D判真概率判假概率

真实特征Xreal

【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