基于改进WGAN-GP和Alxnet的轴承故障诊断方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115962946A(43)申请公布日2023.04.14(21)申请号202310093646.8(22)申请日2023.01.18(71)申请人三峡大学地址443002湖北省宜昌市西陵区大学路8号(72)发明人付文龙陈禹朋谭超张赟宁蒋晓辉(74)专利代理机构宜昌市三峡专利事务所42103专利代理师吴思高(51)Int.Cl.G01M13/045(2019.01)G06F18/213(2023.01)G06F18/00(2023.01)权利要求书3页说明书8页附图10页(54)发明名称基于改进WGAN-GP和Alxnet的轴承故障诊断方法(57)摘要基于改进WGAN‑GP和Alxnet的轴承故障诊断方法，获取轴承原始振动信号，使用小波变换，将原始振动信号转换成不同故障类别的时频域信号；将时频域信号分为训练集和测试集，并且构造非平衡数据集；构建改进的WGAN‑GP网络，在生成器中融合自注意模块和DenseNet模块，以自动学习重要的全局信息；将非平衡数据集的训练集作为改进的WGAN‑GP网络的输入，将生成器生成的故障数据添加到非平衡数据集中进行数据扩充，最终得到平衡数据集；在平衡数据集的基础上，对Alxnet分类器进行训练，并检测故障诊断性能。本发明方法基于改进WGAN‑GP生成的数据，解决了数据不平衡的问题，使得故障诊断网络提取更加有效的特征来获取更好的分类精确度，并且在不同故障类别下均有良好的分类精度。CN115962946ACN115962946A权利要求书1/3页1.基于改进WGAN‑GP和Alxnet的轴承故障诊断方法，其特征在于包括以下步骤：步骤1：获取轴承原始振动信号，使用小波变换，将原始振动信号转换成不同故障类别的时频域信号；步骤2：将步骤1获取的时频域信号分为训练集和测试集，并且构造非平衡数据集；步骤3：构建改进的WGAN‑GP网络，在生成器中融合自注意模块和DenseNet模块，以自动学习重要的全局信息，并且在判别器中加入了可切换归一化；步骤4：将非平衡数据集的训练集作为改进的WGAN‑GP网络的输入，重复迭代生成器及判别器，至达到纳什均衡后，将生成器生成的故障数据添加到非平衡数据集中进行数据扩充，最终得到平衡数据集；步骤5：在平衡数据集的基础上，对Alxnet分类器进行训练，并检测故障诊断性能。2.根据权利要求1所述基于改进WGAN‑GP和Alxnet的轴承故障诊断方法，其特征在于：所述步骤1包括如下步骤：S1.1：将振动加速度传感器安装在轴承上，通过振动加速度传感器获取轴承不同故障状态下的一维振动信号，形成包含原始振动信号的数据集；S1.2：采用小波变换对原始振动信号进行预处理，将小波变换后的时频域信号作为判别器的输入数据，小波变换的公式如下:式中，x(t)是输入的振动信号；s为尺度因子；μ为平移因子；t表示时间变量；为小波基函数。3.根据权利要求1所述基于改进WGAN‑GP和Alxnet的轴承故障诊断方法，其特征在于：所述步骤2中，为验证Alxnet模型在不同非平衡数据集下的泛化性能，将训练集数量进行限制，且设置了四个比较实验数据集，其中，不平衡率分别为1:1、2:1、5:1和10:1，分别对应于数据集A、B、C和D。4.根据权利要求1所述基于改进WGAN‑GP和Alxnet的轴承故障诊断方法，其特征在于：所述步骤3中，判别器由四个卷积层以及二个全连接层组成；生成器由四个反卷积层和二个全连接层组成；所述步骤3包括以下步骤：步骤S3.1：在生成器中，每个反卷积层后都设有一个批量归一化(BatchNormalization，BN)和Relu激活函数；在判别器中，由于改进的WGAN‑GP网络对每个样本独立的施加了梯度惩罚效果，将BN改为可切换归一化(witchableNormalization，SN)，增加模型的泛化能力；同时将激活函数改为LeakyRelu；其中，SN使用可微分学习，为深度网络中的每一个归一化层确定合适的归一化操作，SN通过六个权重组合BN、层归一化(LayerNormalization，LN)和实例归一化(InstanceNormalization，IN)，并在训练过程中自动找到合适的归一化方法，N操作的输出可以定义为：ysn＝wbnybn+wLnyLn+wInyIn式中，ybn、yLn、yIn分别代表输入向量经过BN、LN、IN得到的归一化后的值；wbn、wLn、wIn代表各自归一化所占的权重；2CN115962946A权利要求书2/3页步骤S3.2：在生成器第一个卷积层后面增加了DenseNet网络；其中，DenseNet由密集块和过渡块二部分组成，DenseNet结构使用三个密集块，在一个密集块中，其第i层的特征通过下