[发明专利]一种基于生成对抗网络的旋转机械小样本故障诊断方法

权利要求书

1.一种基于生成对抗网络的旋转机械小样本故障诊断方法，其特征在于，包括以下步骤：

S1:采集旋转机械的振动信号；

S2:对旋转机械振动信号进行预处理，划分为训练集和测试集；

S3:建立ACWGAN-GP-ARGMAX网络模型；

S4:对所述ACWGAN-GP-ARGMAX网络模型进行训练；

S5:对所述训练集中每种健康状态下的数据分别进行对抗训练，并将训练好的网络模型融合成一个诊断模型；

S6：将所述测试集输入所述诊断模型中进行诊断测试，并输出诊断结果。

2.如权利要求1所述的一种基于生成对抗网络的旋转机械小样本故障诊断方法，其特征在于，所述步骤S1具体实现方式包括将振动加速度传感器布置在旋转机械上，利用所述振动加速度传感器采集所述旋转机械各种健康状态下一维时间序列振动加速度的数据，形成原始数据集，所述原始数据集包含1种正常状态和N-1种故障状态。

3.如权利要求1所述的一种基于生成对抗网络的旋转机械小样本故障诊断方法，其特征在于，所述步骤S2具体实现方式包括通过快速傅里叶变换和标准归一化的处理方式，将所述原始数据集中各种健康状态下的振动信号进行特征提取，并将处理后的数据构建成新数据集；

所述标准归一化方法为：X＝(x-x_min)/(x_max-x_min)，其中x_max是数据样本的最大值，x_min是数据样本的最小值；

根据算法需求，将所述新数据集分成训练集和测试集两部分，所述训练集表示为其中k代表第k种健康状态，为该健康状态下第i个训练样本。

4.如权利要求3所述的一种基于生成对抗网络的旋转机械小样本故障诊断方法，其特征在于，所述步骤S3中所述ACWGAN-GP-ARGMAX网络模型包括生成器和鉴别器；

所述生成器表现为一种包括5层反卷积层的网络模型结构，输入数据是一种服从正态分布的4096维的随机噪声；在所述生成器中，首先将所述随机噪声输入到一个由4096个神经元组成的全连接层中，然后依次通过所述5层反卷积层；其中，前四层反卷积层中滤波器个数依次是256个、128个、64个、32个，最后一层反卷积层只有1个滤波器；第一层反卷积层卷积核的大小是4×4且步长为1，后四层反卷积层卷积核的大小都是3×3且步长为2；经过所述五层反卷积层，输入数据被转换成一个64×64二维矩阵；

所述判别器表现为一种包括5层卷积层的网络模型结构，输入数据是所述生成器生成的64×64二维矩阵与真实数据经过整形得到的64×64二维矩阵；在所述判别器中，前四层卷积层中滤波器个数依次是32个、64个、128个、256个，最后一层卷积层只有1个滤波器；前四层卷积层卷积核的大小是3×3且步长为2，最后一层卷积层卷积核的大小都是4×4且步长为1；经过所述五层卷积层，输入数据被转换成一个标签数值。