CN110567720A 非平衡小样本场景下风机轴承故障深度对抗诊断方法 （东北电力大学）

非平衡小样本场景下风机轴承故障深度对本发明是一种非平衡小样本场景下风机轴本生成和各场景下风电机组轴承故障诊断等步不足及不同类型样本训练集规模非平衡等复杂2生成对抗网络(GenerativeAdversarialNetwoD(X))，表示判别样本X属于S的概率，S为样本来源，其有两种可能：真实(real)，生成间差异大，且学习过程易发生崩溃的问题，采用含带标签辅助分类器的生成对抗网络AC-3别标签i",i8ef1,2,",n,提高多分类场景下生成数据针对性；生成器中加入Dropout层，防型，重定义损失函数，使D在不同场景下进行故障识别时均具有良好的性能，在G中加入带噪声的样本标签i',i'=(1,2,",n};将真实故障样本被错误标记的标签定义为带噪声的样本标签i',如真实故障样本类别为第i类、则其可能被误标记为第j类的概率称为噪声过渡r表示真实故障样本，表示将真实故障样本判别为带噪声的样本标签的基于重定义损失函数构建的改进AC-GAN目标函数，在4和故障特征有效性，每个故障样本采用两个旋转周期内784个采样点的振动信号构成，同在不同噪声环境下验证改进AC-GAN复杂噪声环境下故障诊断准确性原始的每个故障类型为2000个训练样本，采用训练样本减少的方式模拟小样本场景，样本减少过程中采用随机减少样本方法，分别减少每类原始故障训练样本的20％、40％、5平衡类的故障样本数为每类2000，非平衡类故障类样本数为6[0002]轴承作为风力发电机传动系统的核心部件，持续受到交变冲击力和载荷作用影机(SupportVectorMachine,SVM)、卷积神经网络(ConvolutionalNeuralNetworks,具有较好的故障识别准确率的非平衡小样本场景下7信号、内圈故障振动信号和外圈故障信号由16通道的数据记录器记录，信号采样频率为[0009]生成对抗网络(GenerativeAdversarialNetworks，GAN)包含生成器8类别标签提高多分类场景下生成数据针对性；生成器中加入D带噪声的样本标签i',i'=(1,2,",n};将真实故障样本被错误标记的标签定义为带噪声的样本标签i',如真实故障样本类别为第i类、则其可能被误标记为第j类的概率称为噪声过渡9景，样本减少过程中采用随机减少样本方法，分别减少每类原始故障训练样本的20％、[0044](1)将AC-GAN引入风机轴承故障识别领域，实现了小样本非平衡场景下有效数据[0045](2)在生成器输入端加入可支持噪声过渡模型的真实故障样本类别标签，提高了[0048](5)在高噪声干扰、样本数量不足及不同类型样本训练集规模非平衡等复杂场景[0058]生成对抗网络(GenerativeAdversarialNetworks，GAN)包含生成器AC-GAN，在传统GAN基础上增加了噪声标签和多分类功能，使其根据标签生成指定类型样成对应类别样本Xfake＝G(c,z)，判别器D同时输出样本X来源于S的概率P(S|X)和属于不同声的故障样本类别标签i",提高多分类场景下生成数据针对性；生成器中加引入噪声过渡模型，重定义损失函数，使D在不同场景下进行故障识别时均具有良好的性在D中引入噪声过渡模型并重定义损失函数，将真实故障样本实际类别标签定义为不带噪声的样本标签i',i'=f1,2,",n};将真实故障样本被错误标记的标签定义为带噪声的样本标签i,如真实故障样本类别为第i类、则其可能被误标记为第j类的概率称为噪声过渡概率Ti,jr.,-p(i"-Ii'-1)(6)[0088]实施例采用CWRU数据集中12kHz采样频率下的驱动端轴承故障数据。轴承类型为训练后的分类器存在过拟合风险。改进AC-GAN通过带标签约束的生成器，生成兼具真实性例中，每类训练集样本数为2000，测试集样本数为400。将训练完成模型分别在信噪比为成器能自动在训练时填补非平衡类，有助于提高非平衡训练数据场景下故障诊断准确率。98.682类非平衡场景下，平均识别准确率达98.30在3类非平衡场景下，平[0118](1)将AC-GAN引入风机轴承故障识别领域，实现了小样本非平衡场景下有效数据[0119]