【技术实现步骤摘要】
本专利技术涉及一种融合vae和wgan-gp的一维轴承故障信号数据生成方法，属于轴承故障诊断领域。
技术介绍
1、滚动轴承作为现代智能装备的重要组成部件，广泛应用于航空航天、生产制造、轨道交通等领域，在工程实际情况中，滚动轴承常常处于高速、重载且多变的运行条件下工作，一旦发生故障，轻则影响生产运输效率，重则威胁操作人员生命安全。因此，对轴承进行可靠的健康状态检测有着重要意义。
2、目前，主流的轴承故障诊断模型大多数依赖于大量且平衡的故障数据集，然而在工程实际中，设备长期处于健康状态下，采集到的信号大部分为健康状态信号，导致其价值密度低。采集轴承故障数据集具有多类型故障信号获取困难、采集成本高、不同类型间样本数量不平衡等问题，严重限制了故障诊断模型的训练集数据质量，进而导致故障诊断模型的准确率受到限制，使得智能故障诊断模型无法发挥其强大的故障诊断能力。
3、近年来，针对样本不平衡导致的故障诊断模型准确率下降问题，主要通过算法优化和数据增广两种方法，如增强卷积神经网络(enhanced convolutional neuralnetworks，ecnn)、变分自编码器(variational auto encoder,vae)、生成式对抗网络(generative adversarial networks,gans)解决样本不平衡条件下的故障诊断问题，然而基于算法优化的故障诊断模型常常关注固定不平衡比样本的故障诊断，数据增广策略虽不受不平衡比变化影响，但变分自编码网络生成的样本较为单一且缺少信号细节，生成式对
技术实现思路
1、本专利技术提供了一种融合vae和wgan-gp的一维轴承故障信号数据生成方法，将原始的vae样本生成模型与gan样本生成模型互相融合，融合模型既具有vae模型的特征提取能力，同时也具有gan模型生成数据的多样性，保证了生成数据即遵从真实样本特征，同时具有多样性。并在融合模型中使用了wasserstein距离衡量真实样本与生成样本之间的分布距离，并引入梯度惩罚项，增强了模型训练的稳定性，避免因梯度消失和梯度爆炸引发的模型崩溃问题。
2、本专利技术的技术方案是：
3、根据本专利技术的第一方面，提供了一种融合vae和wgan-gp的一维轴承故障信号数据生成方法，包括：依据采集得到的多类故障类型的振动加速度信号构建样本集；对样本集进行拆分并归一化，划分成训练集和测试集；构建包含编码器e、解码器g、判别器d的样本生成模型；使用训练集训练构建好的样本生成模型，达到最优效果后固定模型权重；调用模型权重，输入测试集样本进行样本生成。
4、将采集得到的多类故障类型的振动加速度信号拆分成预设点数样本点为一个样本的数据集，并进行归一化。
5、所述样本生成模型具体为：将训练集作为真实样本集；编码器e从真实样本集中提取均值和标准差，通过重参数化合成隐变量并送入解码器g进行解码获得生成样本集；将生成样本集和真实样本集同时送入判别器d判别，通过训练以优化模型各结构参数；其中，编码器e包括依次连接的m1层卷积层和全连接层；其中，卷积层的输出采用leakrelu激活函数；解码器g包括依次连接的全连接层和m1层反卷积层，其中，反卷积层的输出采用leakrelu激活函数；判别器包括依次连接的m2层卷积层和softmax层。
6、所述判别器d使用wasserstein距离衡量真实样本与生成样本之间的分布距离，并引入梯度惩罚项增强模型稳定性。
7、根据本专利技术的第二方面，提供了一种融合vae和wgan-gp的一维轴承故障信号数据生成装置，包括：第一构建模块，用于依据采集得到的多类故障类型的振动加速度信号构建样本集；划分模块，用于对样本集进行拆分并归一化，划分成训练集和测试集；第二构建模块，用于构建包含编码器e、解码器g、判别器d的样本生成模型；训练模块，用于使用训练集训练构建好的样本生成模型，达到最优效果后固定模型权重；生成模块，用于调用模型权重，输入测试集样本进行样本生成。
8、根据本专利技术的第三方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的融合vae和wgan-gp的一维轴承故障信号数据生成方法。
9、根据本专利技术的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的融合vae和wgan-gp的一维轴承故障信号数据生成方法。
10、本专利技术的有益效果是：针对轴承故障样本数量类间不平衡问题所导致的故障诊断模型准确率降低问题，提出了一种融合vae和wgan-gp的样本生成模型，该模型通过特征编码结构提取原始样本中的隐变量，将包含原始样本特征的隐变量代替随机噪声输入，同时引入使用了wasserstein距离衡量真实样本与生成样本之间的分布距离，并引入梯度惩罚项，提升模型生成样本的质量和多样性的同时增强了模型训练的稳定性，避免因梯度消失和梯度爆炸引发的模型崩溃问题。
本文档来自技高网...【技术保护点】
1.一种融合VAE和WGAN-GP的一维轴承故障信号数据生成方法，其特征在于，包括：依据采集得到的多类故障类型的振动加速度信号构建样本集；对样本集进行拆分并归一化，划分成训练集和测试集；构建包含编码器E、解码器G、判别器D的样本生成模型；使用训练集训练构建好的样本生成模型，达到最优效果后固定模型权重；调用模型权重，输入测试集样本进行样本生成。
2.根据权利要求1所述的融合VAE和WGAN-GP的一维轴承故障信号数据生成方法，其特征在于，将采集得到的多类故障类型的振动加速度信号拆分成预设点数样本点为一个样本的数据集，并进行归一化。
3.根据权利要求1所述的融合VAE和WGAN-GP的一维轴承故障信号数据生成方法，其特征在于，所述样本生成模型具体为：将训练集作为真实样本集；编码器E从真实样本集中提取均值和标准差，通过重参数化合成隐变量并送入解码器G进行解码获得生成样本集；将生成样本集和真实样本集同时送入判别器D判别，通过训练以优化模型各结构参数；其中，编码器E包括依次连接的m1层卷积层和全连接层；其中，卷积层的输出采用LeakReLU激活函数；解码器G包括依次
4.根据权利要求1所述的融合VAE和WGAN-GP的一维轴承故障信号数据生成方法，其特征在于，所述判别器D使用Wasserstein距离衡量真实样本与生成样本之间的分布距离，并引入梯度惩罚项增强模型稳定性。
5.一种融合VAE和WGAN-GP的一维轴承故障信号数据生成装置，其特征在于，包括：
6.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-4中任意一项所述的融合VAE和WGAN-GP的一维轴承故障信号数据生成方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-4中任意一项所述的融合VAE和WGAN-GP的一维轴承故障信号数据生成方法。
...【技术特征摘要】
1.一种融合vae和wgan-gp的一维轴承故障信号数据生成方法，其特征在于，包括：依据采集得到的多类故障类型的振动加速度信号构建样本集；对样本集进行拆分并归一化，划分成训练集和测试集；构建包含编码器e、解码器g、判别器d的样本生成模型；使用训练集训练构建好的样本生成模型，达到最优效果后固定模型权重；调用模型权重，输入测试集样本进行样本生成。
2.根据权利要求1所述的融合vae和wgan-gp的一维轴承故障信号数据生成方法，其特征在于，将采集得到的多类故障类型的振动加速度信号拆分成预设点数样本点为一个样本的数据集，并进行归一化。
3.根据权利要求1所述的融合vae和wgan-gp的一维轴承故障信号数据生成方法，其特征在于，所述样本生成模型具体为：将训练集作为真实样本集；编码器e从真实样本集中提取均值和标准差，通过重参数化合成隐变量并送入解码器g进行解码获得生成样本集；将生成样本集和真实样本集同时送入判别器d判别，通过训练以优化模型各结构参数；其中，编码器e包括依次连接的m1层卷积层和全连接层；其...
【专利技术属性】
技术研发人员：刘韬，陈朝阳，刘畅，柳小勤，伍星，王振亚，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。