【技术实现步骤摘要】
本专利技术涉及机械故障诊断方法，特别涉及一种基于gpt的数据不平衡下的机械故障诊断方法。
技术介绍
1、旋转机械作为现代制造设备的关键部件，其安全运行直接影响到工业系统的稳定性。在实际工业生产场景下，旋转机械的大部分时间都处在正常状态，这就导致收集到的轴承和齿轮信号都是正常状态的样本，同时由于各机械设备之间的差异和设备的自然磨损等因素，采集到的故障类型信号只占极少数，造成严重的数据分布差异。在训练集和测试集的数据分布差异较大时，大部分诊断模型会出现不收敛或者过拟合的问题，准确率都会大幅降低。
2、针对故障数据的不平衡问题，目前的故障诊断方法主要从数据增强进行研究。对少数类进行过采样是一种用于获取平衡的数据集的常见方法。通过增加少数类样本的数量，可以提高模型对少数类的识别能力，从而改善数据不平衡问题，使模型更加全面地学习各个类别的特征，提升分类器的性能和泛化能力。mao等人提出了一种对抗自编码模型，通过自适应调整少数类样本的参数来生成每个故障样本，实现了不平衡样本故障诊断。goodfellow等人提出了生成对抗网络(gan)，...
【技术保护点】
1.一种基于GPT的数据不平衡下的机械故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于GPT的数据不平衡下的机械故障诊断方法，其特征在于，所述机械故障诊断包括轴承故障诊断和齿轮故障诊断。
3.根据权利要求2所述的一种基于GPT的数据不平衡下的机械故障诊断方法，其特征在于，轴承振动信号采集包括如下步骤：
4.根据权利要求2所述的一种基于GPT的数据不平衡下的机械故障诊断方法，其特征在于，齿轮振动信号采集包括如下步骤：
5.根据权利要求1所述的一种基于GPT的数据不平衡下的机械故障诊断方法，其特征在...
【技术特征摘要】
1.一种基于gpt的数据不平衡下的机械故障诊断方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于gpt的数据不平衡下的机械故障诊断方法，其特征在于，所述机械故障诊断包括轴承故障诊断和齿轮故障诊断。
3.根据权利要求2所述的一种基于gpt的数据不平衡下的机械故障诊断方法，其特征在于，轴承振动信号采集包括如下步骤：
4.根据权利要求2所述的一种基于gpt的数据不平衡下的机械故障诊断方法，其特征在于，齿轮振动信号采集包括如下步骤：
5.根据权利要求1所述的一种...
【专利技术属性】
技术研发人员：王金龙，倪培浩，张媛媛，熊晓芸，孟凡云，
申请(专利权)人：青岛理工大学，
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。