[发明专利]一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统

权利要求书

1.一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，用于对轴承故障进行智能化筛选，其特征是按以下步骤进行：

（一）、数据准备阶段:通过加速度传感器对轴承加速度进行实时采集，对采集的数据进行清洗、分类，并且按照9:1比例划分成训练样本、测试样本；

（二）、生成对抗神经网络数据增强阶段：利用深层卷积神经网络提取不平衡样本特征，构建DCGAN的生成器和判别器，应用DCGAN产生足量故障数据；

（三）、卷积循环神经网络构建阶段：该模型包括两个部分：第一个部分为卷积神经网络CNN，第二部分分为双向长短期记忆网络BiLSTM；

（四）、网络训练阶段：使用经过加强的数据集对卷积循环神经网络进行训练；

（五）、网络测试阶段：使用训练好的卷积神经网络对测试数据进行测试，检测是否存在轴承故障，以及故障种类，最终将结果反馈给用户。

2.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（一）中，数据准备阶段：

a、通过将加速度传感器安装在轴承端，通过传感器对轴承数据进行采集、清洗，将处理过的数据按照K-means算法进行故障分类；

b、将分类好的数据，按照9:1比例划分成训练样本、测试样本，每组样本100条数据，每条数据包含1024个点,使用one-hot编码技术对样本数据进行标签化处理。

3.如权利要求1所述的一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统，其特征在于：所述步骤（二）中，生成对抗神经网络数据增强阶段：

a、使用不平衡数据训练深层卷积神经网络，将提取到的不平衡样本参数添加到生成对抗网络生成器的训练损失函数中；

b、生成对抗网络的损失函数：

其中V（D，G）表示真实样本与生成样本的差异程度，G表示生成器，D代表判别器，D（x）表示对真实的样本进行判别，G（z）表示生成的样本；

c、构建DCGAN，生成器包含四层：第一层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same），第二层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same），第三层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same），第四层是一个卷积层（卷积核大小31，卷积核数量1，步长1，填充方式same）；

d、判别器包含五层：第一层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same），第二层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same），第三层是一个卷积层（卷积核大小31，卷积核数量32，步长1，填充方式same）,第四层是一个全连接层1281），第五层是一个全连接层（11）；

e、在生成器和判别器的所有卷积层后进行归一化操作，加快网络的训练和收敛的速度，控制梯度爆炸防止梯度消失，防止过拟合；

f、生成器使用的激活函数为：

ReLU：

生成器输出层使用激活函数为：

tanh：

判别器中使用的激活函数为：

g、通过生成对抗网络产生的数据将步骤（一）所得到的样本补充到每组样本256条数据。