[发明专利]基于生成对抗网络模型的齿轮参数过采样方法

权利要求书

1.一种基于生成对抗网络模型的齿轮参数过采样方法，其特征在于按以下步骤进行：

S1：确定需要采样的齿轮参数并采集相应数据，定义原始采样数据为D；

S2：通过神经网络构建一个生成器和一个判别器；

S3：输入噪声序列信号Z到所述生成器中，得到生成数据；

S4：将生成器所生成的数据与步骤S1所得的原始采样数据D同时输入所述判别器进行分类判断；

S5：利用Softmax层对判别器的输出结果进行线性变换，得到最终分类结果；

S6：将分类结果与设定值比较得到分类误差，当分类误差大于预设目标，则更新生成器中各个神经元的权重，然后返回S3生成新的数据；当分类误差小于预设目标，则更新判别器中各个神经元的权重，然后返回S4重新进行分类判断；

S7：将生成器生成的数据和原始采样数据为D融合共同作为齿轮参数分析所需的采样数据。

2.根据权利要求1所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，步骤S1中将85个参数和2个安全系数作为需要采样的齿轮参数，所述85个参数包括轮齿负载、应用因子K_A，内部动态因素K_v，齿宽负荷因素K_Hβ,K_Fβ、端负荷因素K_Hα,K_Fα，啮合载荷系数K_γ，所述2个安全系数为弯曲安全系数S^F和接触安全系数S^H。

3.根据权利要求2所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，所述生成器是由4层神经网络构成，神经元的个数依次为128、1024、256、87，第4层神经网络的87个神经元对应输出为85个参数和2个安全系数，每一层神经网络中的激活函数为Relu函数。

4.根据权利要求1或3所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，所述判别器是由3层神经网络构成，神经元的个数依次为256、1024、128，每一层神经网络中的激活函数为leaky_Relu函数。

5.根据权利要求1或3所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，步骤S3中输入噪声序列信号Z服从均匀分布或高斯分布。

6.根据权利要求1所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，过采样所得的数据被送入重构误差PCA模型提取特征，然后通过PSO-BP算法得到2个安全系数的估计值。