一种齿轮箱数据模型训练及使用方法技术

本发明专利技术提供一种齿轮箱数据模型训练方法，包括：获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；通过生成器生成模拟样本数据；将真实和生成的样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；在鉴别器的鉴别结果为真实时，将生成器输出的模拟样本数据通过鉴别器的全连接层输出作为支持向量机模型的训练样本数据。应用本发明专利技术实施例，通过包含生成器和鉴别器都由卷积神经网络构成，这种方法扩充的数据样本能够全面包含原始数据的信息量，对实际工业的检测更准确对数据进行特征自适应提取，然后全连接层提取的特征作为输入到SVM中进行训练，得到对故障的检测及分类。

A method of training and using gearbox data model

【技术实现步骤摘要】
一种齿轮箱数据模型训练及使用方法
本专利技术涉及训练检查齿轮箱数据模型的
，特别是涉及一种齿轮箱数据模型训练及使用方法。
技术介绍
齿轮箱作为旋转机械的重要部件之一，广泛应用于直升机主减速器、风力发电机等机械设备中。行星齿轮箱在实际运行中承受着动态重载，复杂的运行环境和条件，会导致太阳齿轮、行星齿轮、环形齿轮等关键部件发生故障。这些故障会导致重大安全事故，因此开展行星齿轮箱故障诊断研究具有重要意义。齿轮箱故障多样，如裂齿、齿面磨损、齿面剥落、齿面变形等故障，建立准确快速的行星齿轮箱故障的检测及分类的模型是防止安全事故发生的基础，基于深度学习神经网络是近年来机器学习和模式识别领域的最新研究成果，由于其强大的建模和表征能力，已在机电设备故障诊断领域得到应用，但传统模型的输入特征选择过程是基于人工经验的，对人员专业知识储备要求较高且存在很大的误差。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种齿轮箱数据模型训练及使用方法，通过包含生成器和鉴别器都由卷积神经网络构成，对数据进行特征自适应提取，本文档来自技高网...

【技术保护点】
1.一种齿轮箱数据模型训练方法，其特征在于，所述方法包括：/n获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；/n根据类别标签和噪声数据，通过生成器生成模拟样本数据；/n将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；/n在所述鉴别器的鉴别结果为真实时，将所述生成器输出的模拟样本数据作为支持向量机模型的训练样本数据。/n

【技术特征摘要】
1.一种齿轮箱数据模型训练方法，其特征在于，所述方法包括：
获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签；
根据类别标签和噪声数据，通过生成器生成模拟样本数据；
将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果；
在所述鉴别器的鉴别结果为真实时，将所述生成器输出的模拟样本数据作为支持向量机模型的训练样本数据。


2.根据权利要求1所述的齿轮箱数据模型训练方法，其特征在于，所述获取齿轮箱的样本数据，并为每一个样本数据匹配对应的类别标签的步骤，包括：
采集齿轮箱五类样本数据，并为每一类数据匹配标签；其中，所述五类数据包括一类正常数据和四类故障异常数据；其中，所述四类故障为：齿断裂、齿面脱落、齿面磨损、齿面变形；
对每一类样本数据进行归一化处理。


3.根据权利要求1所述的齿轮箱数据模型训练方法，其特征在于，所述将样本数据以及样本数据对应的类别标签作为鉴别器的输入，并获取鉴别器对每一个模拟样本数据的鉴别结果的步骤，包括：
将样本数据以及样本数据对应的类别标签作为鉴别器的输入；
在所述鉴别器和所述生成器达到纳什平衡时，获取鉴别器对每一个模拟样本数据的鉴别结果。


4.根据权利要求1-3任一项所述的齿轮箱数据模型训练方法，其特征在于，所述根据类别标签和噪声数据，通过生成器生成模拟样本数据的步骤，包括：
将类别标签进行二进制编码，获得编码后的类别标签；
将噪声数据进行归一化处理，获得归一化后的噪声数据；
将归一化后的噪声数据、编码后的类别标签，输入至卷积层，将卷积结果依次经过池化层和全连接层，经过输出层输出模拟样本数据；
其中，所述生成器包括：卷积层、池化层、全连接层和输出层。


5.根据权利要求4所述的齿轮箱数据模型训练方法，其特征在于，所述生成器的目标函数...

【专利技术属性】
技术研发人员：卢占标，黄细霞，姬克，鲍佳松，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31