类不平衡数据集下的机械故障智能诊断方法技术

本发明专利技术类不平衡数据集下的机械故障智能诊断方法，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、模型搭建：把自动编码器和生成对抗网络进行组合，搭建数据生成模型；步骤(3)、模型训练：利用故障数据按照预设的损失函数和优化算法训练所述数据生成模型；步骤(4)、数据生成：利用所述数据生成模型在训练中学习到的故障数据低维特征，通过多次插值、加噪后生成对应类的故障数据，实现各类数据平衡；步骤(5)、故障诊断：利用类平衡数据集训练预设的故障诊断模型，利用训练好的故障诊断模型对机械故障进行智能诊断。利用自动编码器、生成对抗网络的结合，实现机械故障诊断。实现机械故障诊断。实现机械故障诊断。

【技术实现步骤摘要】
类不平衡数据集下的机械故障智能诊断方法


[0001]本专利技术涉及故障智能诊断领域，具体涉及一种类不平衡数据集下的机械故障智能诊断方法。

技术介绍

[0002]随着旋转机械设备不断朝着智能化、精密化、复杂化方向发展，机械设备的结构日趋复杂和紧凑。机械设备在服役过程中，一旦某个零部件出现故障，将会影响整个机械设备的运行，甚至引发安全事故。为了确保机械设备的健康运行，深度学习理论作为模式识别和机器学习领域最新的研究成果开始逐步运用在机械故障智能诊断中。相较于传统故障诊断方法，基于深度学习的智能诊断模型利用深度网络模型自适应地从信号中提取有效故障特征，其诊断效率高、不依赖操作者信号处理经验，受到了广泛的关注。
[0003]目前在机械故障智能诊断中常用的模型包括卷积神经网络(CNN)、深度置信网络(DBN)、残差网络(ResNet)等。这些模型在训练过程中，往往需要输入大量历史数据集作为训练样本，从而建立数据与健康状态类别的对应关系。机械设备发生故障虽然会给设备运行带来很大的安全隐患，但是故障的发生是一个偶发事件，设备不会在故障状态下长期运行，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种类不平衡数据集下的机械故障智能诊断方法，其特征在于，包括：步骤(1)、数据预处理：把机械振动信号转换到频域，并把幅值归一化到[0,1]范围；步骤(2)、模型搭建：把自动编码器和生成对抗网络进行组合，搭建数据生成模型；步骤(3)、模型训练：利用故障数据按照预设的损失函数和优化算法训练所述数据生成模型；步骤(4)、数据生成：利用所述数据生成模型在训练中学习到的故障数据低维特征，通过多次插值、加噪后生成对应类的故障数据，实现各类数据平衡；步骤(5)、故障诊断：利用类平衡数据集训练预设的故障诊断模型，利用训练好的故障诊断模型对机械故障进行智能诊断。2.如权利要求1所述的类不平衡数据集下的机械故障智能诊断方法，其特征在于，步骤(2)中，所述自动编码器由编码器和解码器组成，所述生成对抗网络由生成器和判别器组成，解码器就是生成器；所述自动编码器通过编码器学习输入数据即真数据的低维特征，再通过低维特征及其类别标签经过解码器输出与输入数据分布特性一致的生成数据即假数据；所述生成对抗网络中的判别器分别对所述输入数据和所述生成数据进行真假判别和类别分类。3.如权利要求2所述的类不平衡数据集下的机械故障智能诊断方法，其特征在于，所述编码器、所述解码器和所述判别器都包括通过深度卷积网络、深度置信网络、残差网络中的一种来构建。4.如权利要求1所述的类不平衡数据集下的机械故障智能诊断方法，其特征在于，步骤(3)中，所述预设的损失函数包括生...

【专利技术属性】
技术研发人员：王俊，戴俊，石娟娟，江星星，姚林泉，
申请(专利权)人：苏州大学，
类型：发明
国别省市：