[发明专利]一种基于生成数据融合的轴承不平衡故障诊断方法

权利要求书

1.一种基于生成数据融合的轴承不平衡故障诊断方法，其特征在于，包括以下步骤：

数据预处理：基于滑窗切割和拼接处理获取轴承振动时序信号数据集，所述数据集包括带有标签的少数类故障样本和多数类正常样本，对带有标签的少数类故障样本进行归一化处理；

基于Wasserstein生成式对抗网络对归一化后的少数类故障样本进行一次数据扩充；

基于聚类的少数类样本合成技术进行少数类故障样本的二次数据扩充；

对一次数据扩充的样本和二次数据扩充的样本按照相同样本数量进行拼接融合，并与多数类正常样本汇总得到融合数据集；

模型训练：利用融合数据集训练基于注意力机制的卷积神经网络诊断模型；

故障诊断：利用训练完成的卷积神经网络诊断模型进行故障诊断。

2.根据权利要求1所述的一种基于生成数据融合的轴承不平衡故障诊断方法，其特征在于，所述归一化处理为：

其中，a代表数据集中的振动信号点，A是a的集合，a’表示归一后的振动信号点，归一化处理通过最大最小标准化将原始信号值映射到[0，1]区间内。

3.根据权利要求1所述的一种基于生成数据融合的轴承不平衡故障诊断方法，其特征在于，所述Wasserstein生成式对抗网络由生成器和判别器组成，其中生成器由一层线性变换层以及四层转置卷积层组成，判别器则由四层卷积层以及一层全连接层组成，每一层的激活函数均为Relu函数；Wasserstein生成对抗网络使用Wasserstein距离度量两个分布之间的差异，采用梯度惩罚机制优化判别器的损失函数，其中，所述Wasserstein距离为：

其中，p_r指真实数据的分布，p_g指生成器生成数据的分布，∏(P_r,P_g)表示两个分布组合起来的所有联合分布的集合，γ表示其中每一个可能的联合分布，x,y指γ中得到的样本，||x-y||指两个分布之间的距离，E表示样本对距离的期望值。

4.根据权利要求3所述的一种基于生成数据融合的轴承不平衡故障诊断方法，其特征在于，所述Wasserstein生成对抗网络的生成器以及判别器的损失函数基于Wasserstein距离确定，其中，生成器的损失函数为：

其中，p_z是输入随机噪声的分布，z指的是服从随机噪声分布的样本，E表示数学期望，D(·)和G(·)分别表示判别器网络以及生成器网络；

判别器的损失函数为：

其中，为梯度惩罚机制，λ代表惩罚系数，指的是在生成器生成的样本与真实样本之间的随机插值取样，表示所满足的分布，表示判别器的梯度，表示梯度的欧几里得范数。

5.根据权利要求4所述的一种基于生成数据融合的轴承不平衡故障诊断方法，其特征在于，Wasserstein生成式对抗网络对归一化后的故障样本进行数据扩充包括以下步骤：

将归一化后的少数类故障样本作为训练集输入生成式对抗网络模型，同时输入随机噪声z＝(z¹,z²,z³,...,z^m)；

训练生成器G并初始化参数θ_G，根据输入的随机噪声生成模拟数据

根据生成器G生成的模拟数据以及带有标签的真实数据，训练判别器D，同时更新判别器D的参数ω_D，所述参数ω_D的更新方式为：

其中，η_D表示学习率，m表示生成信号的长度，zⁱ表示噪声样本，xⁱ表示真实样本；

固定训练后的判别器参数，训练并更新生成器G的参数，所述参数θ_G的更新方式为：

其中η_G表示学习率，表示生成器的梯度；

对生成器G和判别器D进行交替的循环训练，直到生成器生成的数据分布与真实分布小于设定的阈值，则判定达到纳什均衡，完成模型训练；

基于训练完成的生成器G实现少数类故障样本的一次数据扩充。