[發明專利]類不平衡滾動軸承智能故障診斷方法、系統、設備及應用

有效

• 申請號: 202110006809.5
• 申請日: 2021-01-05
• 公開（公告）號: CN112649198B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 袁貴榮
• 申請（專利權）人: 西交思創智能科技研究院（西安）有限公司
• 主分類號: G01M13/045
• 分類號: G01M13/045;G06N3/0475;G06N3/0464;G06N3/045;G06N3/048;G06N3/08;G06F18/213;G06F18/24;G06F18/214;G06F18/15
• 代理公司: 西安長和專利代理有限公司 61227
• 代理人: 黃偉洪

1.一種類不平衡滾動軸承智能故障診斷方法，其特征在于，所述類不平衡滾動軸承智能故障診斷方法包括：

采集滾動軸承振動信號，對原始信號進行Zscore標準化，利用移動時窗進行信號的分割；

構建生成器與判別器結合的條件生成對抗網絡CGAN；

對建立的條件生成對抗網絡，采用循環對抗訓練的方式進行網絡參數優化直至訓練結束，通過生成器定向生成數據量較少的類別的樣本進行訓練集數據增強，緩解原始數據集的類別不平衡現象；

構建以深度卷積神經網絡為基礎的故障診斷模型；

利用通過CGAN優化后的訓練數據集訓練所建立的故障診斷模型，訓練完成后即可利用此故障診斷模型實現對未知標簽樣本的智能診斷；

對原始信號進行Zscore標準化，Zscore的計算公式為：

其中，為原始數據的均值，σ為原始數據的標準差，x^*為Zscore標準化后的數據。

2.如權利要求1所述的類不平衡滾動軸承智能故障診斷方法，其特征在于，生成器輸入為高斯白噪聲以及類別標簽，輸出為仿真的機械振動信號，判別器的輸入為經過Zscore標準化處理后的真實機械振動信號與生成器生成的仿真機械振動信號，判別器的輸出為當前信號為真實機械振動信號的概率值；生成器與判別器均由3層卷積神經網絡構成，均使用tanh激活函數，激活函數表達式為：

其中，x為該激活函數的輸入，e為自然對數底，y為該激活函數的輸出。

3.如權利要求1所述的類不平衡滾動軸承智能故障診斷方法，其特征在于，循環對抗訓指的是在一個訓練周期內，判別器參數更新5次之后，生成器參數更新1次，完成一次完整訓練后進入下一個訓練周期。

4.如權利要求1所述的類不平衡滾動軸承智能故障診斷方法，其特征在于，構建的故障診斷模型由三層卷積神經網絡構成，輸入樣本為原始振動信號與生成器定向補充生成的小樣本類別信號，輸出為滾動軸承運行狀態類別，使用softmax函數作為網絡輸出，softmax計算公式為：

其中，P(c_i)代表第i類樣本的softmax輸出歸一化概率，e為自然對數的底，o_i為類別isoftmax層之前的對應網絡輸出，k代表數據集分類的總類別數。

5.如權利要求4所述的類不平衡滾動軸承智能故障診斷方法，其特征在于，輸入中生成器定向補充生成的數據為原始數據集中樣本數較少的故障類別數據。

6.如權利要求5所述的類不平衡滾動軸承智能故障診斷方法，其特征在于，故障診斷模型的損失函數為交叉熵損失函數，具體計算公式為：

式中，loss為交叉熵損失函數的具體值，y為期望輸出的標簽信息，為實際輸出的標簽信息。

7.一種計算機設備，其特征在于，所述計算機設備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行如下步驟：

采集滾動軸承振動信號，對原始信號進行Zscore標準化，利用移動時窗進行信號的分割；

構建生成器與判別器結合的條件生成對抗網絡CGAN；

對建立的條件生成對抗網絡，采用循環對抗訓練的方式進行網絡參數優化直至訓練結束，通過生成器定向生成數據量較少的類別的樣本進行訓練集數據增強，緩解原始數據集的類別不平衡現象；

構建以深度卷積神經網絡為基礎的故障診斷模型；

利用通過CGAN優化后的訓練數據集訓練所建立的故障診斷模型，訓練完成后即可利用此故障診斷模型實現對未知標簽樣本的智能診斷。