一种基于重构生成对抗网络的电机轴承故障诊断方法技术

本发明专利技术公开了一种基于重构生成对抗网络的电机轴承故障诊断方法及系统，方法包括：采集不平衡数据集下多数类健康样本和少数类故障样本，标注为真实样本；构建生成器网络与判别器网络，其中，生成器网络包括一个输入层，四个卷积层，一个输出层，判别器网络包括一个输入层，两个卷积层，一个全连接层；构建重构层网络，其中，由两个子网络编码器与解码器组成；基于随机噪声信号训练生成器网络，输出信号标注为生成样本；基于真实样本与生成样本共同训练判别器网络；基于生成样本训练重构器，获取重构生成样本，计算重构生成样本与真实样本间肯纳德相关性并反馈；将得到训练好的生成样本与真实样本混合扩充至平衡样本数据集，输入到神经网络模块中，实现不平衡数据集下的故障诊断。本发明专利技术能够基于少数类故障数据生成可用多元化的样本数据，并扩充不平衡数据集至理想的平衡状态，无需长时间在实验环境下采集故障样本数据即可训练出故障诊断模型。

【技术实现步骤摘要】

本专利技术涉及电机轴承故障诊断领域，具体涉及一种基于重构生成对抗网络的电机轴承不平衡数据集故障诊断方法及系统。

技术介绍

1、随着智能传感器在工业领域的广泛运用，机器运行的过程数据得到巨大的积累，这为基于数据驱动的故障诊断提供了基础。随着机器系统复杂化，传统的故障诊断方法已无法满足故障检测的要求。近年来，深度学习因其网络结构能自动学习数据特征，已在机器故障诊断领域得到迅速发展与应用。

2、尽管目前深度学习在机器故障诊断领域已经取得显著的成果，但应该注意的是，其成功依赖于平衡数据集。然而，在工程实践中，所采集到的样本通常是不平衡样本。机器长期处于无故障工作状态，机器的正常运行时间远大于设备发生故障的时间。也不建议为收集数据样本而使机器运行在故障状态，这样会损害机器使用寿命。传统的深度学习模型在训练不平衡样本数据时，迫使分类器牺牲少数类样本的诊断正确性，而偏向于多数类样本的预测，最终导致错误分类，故障诊断效果欠佳。

3、针对不平衡数据集在故障诊断中带来的挑战，不同的方法被提出。按故障诊断流程可将现有方法分为两类：基于数据方法和基于模型方本文档来自技高网...

【技术保护点】

1.一种基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，具体包括以下步骤：

2.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤1)中，不平衡比率为50:1。

3.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤3)中，编码器将原始时间序列数据X转换为潜在空间中的两个参数：平均值和标准偏差；这些参数表示神经网络学习的后验分布；通过使用变分推断的重新参数化技术获得潜在因子，解码器从潜在因子中重构出新的样本。

4.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步...

【技术特征摘要】

1.一种基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，具体包括以下步骤：

2.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤1)中，不平衡比率为50:1。

3.如权利要求1所述的基于重构生成对抗网络的电机轴承故障诊断方法，其特征在于，步骤3)中，编码器将原始时间序列数据x转换为潜在空间中的两个参数：平均值和标准偏差；这些参数表示神经网络学习的后验分布；通过使用变分推断的重新参数化技术获得潜在因子，解码器从潜在因子中重...

【专利技术属性】
技术研发人员：刘勇智，朱佩荣，李添幸，杜皓然，刘婷，来帅雷，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：