[发明专利]一种基于生成对抗网络的轴承震动信号增广方法

权利要求书

1.一种基于生成对抗网络的轴承震动信号增广方法，其特征在于：包括以下步骤：

步骤(1)通过少量的某个轴承现实加工时的震动数据，来选取与现实加工时工况相同或是相近的实验室中测得的轴承加工时的震动数据，把选取的实验室数据作为输入的数据集；

步骤(2)通过优化器进行特征提取；

步骤(3)将步骤(2)得到的数据输入判别器，判别器对其判别分类；

步骤(4)训练优化器；

步骤(5)使用交叉熵损失的方法优化判别器；

步骤(6)优化器和判别器交替更新，当判别器无法将优化后的数据正确分类时算法终止。

2.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(1)中，实验室的数据是在实验室中直接测得的轴承工作数据，或者是由通过拟合实验室中的轴承工作震动数据得到泛化的模型生成。

3.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(2)中，优化器为残差神经网络，残差神经网络由几块残差块组成，每一个残差块都根据公式x_i+1＝x_i+F(x_i,W_i)进行运算；其中x_i为残差网络的输入值，F(x_i,W_i)为一个差残块的输出值，它们的和作为下一个残差块的输入值；经过所有的残差块后的结果作为整个残差网络的输出值R(x_i)。

4.根据权利要求3所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(2)中，残差神经网络由4个残差块组成，若输入的数据和输出的数据它们的特征数不一样，还需要加入1x1卷积进行维度变化。

5.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(3)中，判别器为卷积神经网络，由5个卷积层和两个池化层组成，其中池化层分别为最大值池化层和归一化指数函数层，将卷积神经网络的输出值最后通过归一化指数函数，使其转换为在[0,1]之间的概率分布。

6.根据权利要求5所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(3)中，判别器的激活函数为LeakyReLU。

7.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(4)中，使用交叉熵损失并加入正则化项作为优化优化器的方法，模型的损失函数公式为其中，二分类任务中的交叉熵损失公式为其中是优化后的数据通过判别器判定为现实加工数据的概率，y是样本标签，当样本属于现实加工震动样本时，样本标签取0，正则化项为每个对应的优化后的数据和实验数据差值的绝对值之和。

8.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(5)中，根据二分类任务中的交叉熵公式可知，当判别的样本为优化数据R(x_i)时，样本标签y取1，损失函数为D_ref＝log(D(R(x_i)))，当判别的样本为现实震动数据x_real时，样本标签取0，则损失函数D_real＝log(D(x_real))，它们的和为判别器的损失函数。

9.根据权利要求1所述的基于生成对抗网络的轴承震动信号增广方法，其特征在于：所述步骤(6)中，交替更新时，每更新一次判别器的同时更新两次优化器，当判别器判断优化的数据属于正确分类的概率近似于50％时，停止更新，此时的优化器模型达到最优。