深度学习故障诊断之-使用条件生成对抗网络CGAN生成泵流量信号

开始填坑

MATLAB统计机器学习，深度学习，计算机视觉 - 哥廷根数学学派的文章 - 知乎 MATLAB统计机器学习，深度学习，计算机视觉 - 知乎

之前写过在使用深度学习对机械系统或电气系统进行故障诊断时，如果没有大量的故障样本，可以使用Simulink 生成故障样本数据，还可以使用数字孪生技术等等

深度学习故障诊断之-使用 Simulink 生成故障数据 - 哥廷根数学学派的文章 - 知乎 深度学习故障诊断之-使用 Simulink 生成故障数据 - 知乎

本次讲解如何使用条件生成对抗网络CGAN生成泵流量信号

完整代码链接

正在为您运送作品详情

生成对抗网络 (GAN) 可用于生成近似真实数据的数据。 当模拟计算成本较高或实验成本较高时，GAN 非常有用。 条件 GAN（CGAN）可以在训练过程中使用数据标签来生成属于特定类别的数据。注意：本例将泵Simulink模型获得的模拟信号视为“真实”数据，当作CGAN 的训练数据集。 CGAN 使用一维卷积网络，此外本例使用主成分分析 (PCA) 直观地比较生成信号和真实信号的特征。三缸柱塞泵的Simulink模型如下，来源于mathworks大佬。

再次强调：本例将泵Simulink模型获得的模拟信号视为“真实”数据，当作CGAN 的训练数据集

下图为Simulink模型生成的“真实”泵流量信号

接下来步入正题，CGAN 由两个作为“对手”一起训练的网络组成。

生成器网络—给定一个标签和随机数组作为输入，该网络生成与对应于相同标签的训练数据相同结构的数据。 生成器的目标是生成鉴别器分类为“真实”的标记数据。

判别器网络—给定一批标记数据，其中包含来自训练数据和生成器生成数据的观察结果，该网络尝试将观察结果分类为“真实”或“生成”。 判别器的目标是在给定批次的真实和生成的标记数据时不被生成器“愚弄”。

导入数据

模拟数据由 Simulink 模型生成。 Simulink 模型对3种类型的故障进行建模：气缸泄漏、进气口阻塞和轴承故障。 该数据集包含 1575 个泵输出流量信号，其中 760 个为健康信号，815 个为单个故障、两个故障的组合或三个故障的组合。 每个信号有 1201 个采样点，采样频率为 1000 Hz。.

加载训练数据集并将信号进行标准化

load(fullfile(saveFolder,'simulated.mat')) % 导入数据集
meanFlow = mean(flow,2);
flowNormalized = flow-meanFlow;
stdFlow = std(flowNormalized(:));
flowNormalized = flowNormalized/stdFlow;

健康信号标记为 1，故障信号标记为 2。

定义生成器网络，不再赘述，很容易看懂

numFilters = 64;
numLatentInputs = 100;
projectionSize = [4 1 1024];
numClasses = 2;
embeddingDimension = 100;

layersGenerator = [
    imageInputLayer([1 1 numLatentInputs],'Normalization','none','Name','in')
    projectAndReshapeLayer(projectionSize,numLatentInputs,'proj');
    concatenationLayer(3,2,'Name','cat');
    transposedConv2dLayer([5 1],8*numFilters,'Name','tconv1')
    batchNormalizationLayer('Name','bn1','Epsilon',5e-5)
    reluLayer('Name','relu1')
    transposedConv2dLayer([10 1],4*numFilters,'Stride',4,'Cropping',[1 0],'Name','tconv2')
    batchNormalizationLayer('Name','bn2','Epsilon',5e-5)
    reluLayer('Name','relu2')
    transposedConv2dLayer([12 1],2*numFilters,'Stride',4,'Cropping',[1 0],'Name','tconv3')
    batchNormalizationLayer('Name','bn3','Epsilon',5e-5)
    reluLayer('Name','relu3')
    transposedConv2dLayer([5 1],numFilters,'Stride',4,'Cropping',[1 0],'Name','tconv4')
    batchNormalizationLayer('Name','bn4','Epsilon',5e-5)
    reluLayer('Name','relu4')
    transposedConv2dLayer([7 1],1,'Stride',2,'Cropping',[1 0],'Name','tconv5')
    ];

lgraphGenerator = layerGraph(layersGenerator);

layers = [
    imageInputLayer([1 1],'Name','labels','Normalization','none')
    embedAndReshapeLayer(projectionSize(1:2),embeddingDimension,numClasses,'emb')];

lgraphGenerator = addLayers(lgraphGenerator,layers);
lgraphGenerator = connectLayers(lgraphGenerator,'emb','cat/in2');

绘制生成器的网络结构

将层图转换为 dlnetwork 对象，便于自动微分

dlnetGenerator = dlnetwork(lgraphGenerator);

类似地定义判别器网络

scale = 0.2;
inputSize = [1201 1 1];

layersDiscriminator = [
    imageInputLayer(inputSize,'Normalization','none','Name','in')
    concatenationLayer(3,2,'Name','cat')
    convolution2dLayer([17 1],8*numFilters,'Stride',2,'Padding',[1 0],'Name','conv1')
    leakyReluLayer(scale,'Name','lrelu1')
    convolution2dLayer([16 1],4*numFilters,'Stride',4,'Padding',[1 0],'Name','conv2')
    leakyReluLayer(scale,'Name','lrelu2')
    convolution2dLayer([16 1],2*numFilters,'Stride',4,'Padding',[1 0],'Name','conv3')
    leakyReluLayer(scale,'Name','lrelu3')
    convolution2dLayer([8 1],numFilters,'Stride',4,'Padding',[1 0],'Name','conv4')
    leakyReluLayer(scale,'Name','lrelu4')
    convolution2dLayer([8 1],1,'Name','conv5')];

lgraphDiscriminator = layerGraph(layersDiscriminator);

layers = [
    imageInputLayer([1 1],'Name','labels','Normalization','none')
    embedAndReshapeLayer(inputSize,embeddingDimension,numClasses,'emb')];

lgraphDiscriminator = addLayers(lgraphDiscriminator,layers);
lgraphDiscriminator = connectLayers(lgraphDiscriminator,'emb','cat/in2');

绘制判别器的网络结构

同样将层图转换为 dlnetwork 对象便于自动微分

dlnetDiscriminator = dlnetwork(lgraphDiscriminator);

训练模型

使用自定义训练循环训练 CGAN 模型。 对于每个mini-batch小批量数据：

为生成器网络生成一个包含随机值数组的 dlarray 对象。

对于 GPU 训练，将数据转换为 gpuArray 对象。

使用 dlfeval 和函数 modelGradients计算模型梯度。

指定训练参数

params.numLatentInputs = numLatentInputs;
params.numClasses = numClasses;
params.sizeData = [inputSize length(labels)];
params.numEpochs = 1000;
params.miniBatchSize = 256;

% 指定 Adam 优化器的选项
params.learnRate = 0.0002;
params.gradientDecayFactor = 0.5;
params.squaredGradientDecayFactor = 0.999;

设置执行环境以在 CPU 上运行 CGAN

executionEnvironment = "cpu";
params.executionEnvironment = executionEnvironment;

网络训练

 [dlnetGenerator,dlnetDiscriminator] = trainGAN(dlnetGenerator, ...
        dlnetDiscriminator,flowNormalized,labels,params); 

下面的训练图显示了生成器和鉴别器网络的得分，在这个例子中，生成器和判别器的分数都收敛到接近 0.5，表明训练性能良好

生成信号

创建一个 dlarray 对象，其中包含一批 2000 个 1×1×100 的随机值数组，以输入到生成器网络中。 重置随机数生成器以获得可重复的结果。

rng default
numTests = 2000;
ZNew = randn(1,1,numLatentInputs,numTests,'single');
dlZNew = dlarray(ZNew,'SSCB');

指定前 1000 个随机数组是健康的，其余都是故障的

TNew = ones(1,1,1,numTests,'single');
TNew(1,1,1,numTests/2+1:end) = single(2);
dlTNew = dlarray(TNew,'SSCB');

如果要使用 GPU 生成信号，将数据转换为 gpuArray 对象。

if executionEnvironment == "gpu"
    dlZNew = gpuArray(dlZNew);
    dlTNew = gpuArray(dlTNew);
end


dlXGeneratedNew = predict(dlnetGenerator,dlZNew,dlTNew)*stdFlow+meanFlow;

信号特征可视化

与图像和音频信号不同，一般信号具有使人类感知难以区分的特征。 要比较真实信号和生成信号或健康信号和故障信号，可以将主成分分析PCA应用于真实信号的统计特征，然后将生成信号的特征投影到相同的 PCA 子空间。

特征提取

将真实信号和生成信号组合在一个数据矩阵中。 使用函数 extractFeatures 提取特征，包括常见的信号统计信息，例如均值和方差以及频谱特征。

idxGenerated = 1:numTests;
idxReal = numTests+1:numTests+size(flow,2);

XGeneratedNew = squeeze(extractdata(gather(dlXGeneratedNew)));
x = [XGeneratedNew single(flow)];
features = zeros(size(x,2),14,'like',x);

for ii = 1:size(x,2)
    features(ii,:) = extractFeatures(x(:,ii));
end

每行对应一个信号的特征。

修改生成的健康和故障信号以及真实健康和故障信号的标签。

L = [squeeze(TNew)+2;labels.'];

标签的定义如下：

1 — Generated healthy signals

2 — Generated faulty signals

3 — Real healthy signals

4 — Real faulty signals

主成分分析

对真实信号的特征进行主成分分析，并将生成信号的特征投影到相同的主成分分析子空间。

通过奇异值分解进行主成分分析

featuresReal = features(idxReal,:);
mu = mean(featuresReal,1);
[~,S,W] = svd(featuresReal-mu);
S = diag(S);
Y = (features-mu)*W;

前三个奇异值占99% 的能量。因此可以利用前三个主成分来可视化信号特征。

sum(S(1:3))/sum(S)

使用前3个主成分绘制所有信号的特征。 在 PCA 子空间中，生成信号的分布类似于真实信号的分布

为了更好地捕捉真实信号和生成信号之间的差异，使用前两个主成分绘制子空间

view(2)

健康信号和故障信号无论是真实的还是生成的，都位于 PCA 子空间的同一区域，表明生成的信号具有与真实信号相似的特征。

预测真实信号的标签

为了进一步说明 CGAN 的性能，根据生成的信号训练 SVM 分类器，然后预测真实信号是健康的还是故障的。将生成的信号设置为训练数据集，将真实信号设置为测试数据集， 将数字标签更改为字符向量。

LABELS = {'Healthy','Faulty'};
strL = LABELS([squeeze(TNew);labels.']).';

dataTrain = features(idxGenerated,:);
dataTest = features(idxReal,:);

labelTrain = strL(idxGenerated);
labelTest = strL(idxReal);

predictors = dataTrain; 
response = labelTrain;
cvp = cvpartition(size(predictors,1),'KFold',5);

使用生成的信号训练 SVM 分类器

SVMClassifier = fitcsvm( ...
    predictors(cvp.training(1),:), ...
    response(cvp.training(1)),'KernelFunction','polynomial', ...
    'PolynomialOrder',2, ...
    'KernelScale','auto', ...
    'BoxConstraint',1, ...
    'ClassNames',LABELS, ...
    'Standardize',true);

使用经过训练的分类器获得真实信号的预测标签。 分类器实现了 90% 以上的预测准确率。

actualValue = labelTest;
predictedValue = predict(SVMClassifier,dataTest);
predictAccuracy = mean(cellfun(@strcmp,actualValue,predictedValue))

查看混淆矩阵

比较真实信号和生成信号的频谱特性

泵电机转速为 950 rpm，即15.833 Hz，由于泵具有三个气缸，因此预计流量的基波频率为 15.833 Hz 或 47.5 Hz 的 3 倍，谐波频率为 47.5 Hz 的倍数。 从真实和生成的健康信号的频谱图中可以看出，生成的健康信号在 47.5 Hz 和 2 倍 47.5 Hz 处具有较高的功率值，与真实健康信号相同。

如果存在故障，将在泵电机速度 15.833 Hz 及其谐波处发生共振。 绘制真实和生成的故障信号的频谱。 生成的信号在 15.833 Hz 及其谐波附近具有较高的功率值，与真正的故障信号相似。

绘制另一种真实和生成的故障信号的频谱。 产生的故障信号的频谱特征与理论分析的匹配度不高，与真实故障信号存在差异。 CGAN 仍然可以通过调整网络结构或超参数来改进。

计算时间

Simulink 仿真需要大约 14 小时才能生成 2000 个泵流量信号。 如果有 Parallel Computing Toolbox工具箱，则时间可以减少到大约 1.7 小时，使用 8 个并行工作器。使用 NVIDIA Titan V GPU，CGAN 需要 1.5 小时的训练时间和 70 秒的时间来生成相同数量的数据。