[发明专利]一种样本不平衡下基于数据增强的轴承故障识别方法

权利要求书

1.一种样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：所述的样本不平衡下基于数据增强的轴承故障识别方法包括按顺序进行的下列步骤：

步骤1)采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集；

步骤2)将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本；

步骤3)分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数；

步骤4)将训练好的参数用于测试集，由已训练好的卷积神经网络输出轴承对应的故障类型诊断结果。

2.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤1)中，所述的采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集的方法是：

利用振动信号传感器采集f_s频率下滚动轴承在运行过程中的原始振动数据，包括原始正常振动数据和多种原始故障类型振动数据，然后从每种原始故障类型振动数据中随机选取多个数据，每个数据包含多个原始振动数据点，之后对上述所有数据进行归一化处理，最后由归一化后的单一故障类型振动数据和正常振动数据以某一比例组成一个原始振动不平衡数据样本。

3.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤2)中，所述的将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本的方法是：

将符合高斯分布的某类型的随机噪声数据z输入到生成器网络G中，生成一组分布特性为P_g的小样本故障类型振动数据G(z)，学习上述该类型的原始故障类型振动数据x的分布特性P_d，利用鉴别器网络D判断生成的小样本故障类型振动数据G(z)是否接近于原始故障类型振动数据x，二者对抗直到生成器网络G达到动态平衡，此时当且仅当P_g＝P_d时，判定随机噪声数据和小样本故障类型振动数据的分布特性基本一致，将此时的小样本故障类型振动数据作为混合原始振动数据的生成数据样本。

4.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤3)中，所述的分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数的方法是：

步骤31：分别对原始振动不平衡数据样本和混合原始振动数据的生成数据样本中的数据x(t)进行希尔伯特变换，得到希尔伯特变换数据：

利用上述希尔伯特变换数据构造解析信号：Z(t)＝x(t)+jH[x(t)]＝a(t)e^jφ(t)，得到的幅值函数a(t)即该为数据的包络信号；

步骤32：对上述包络信号a(t)进行傅里叶变换，得到包络谱信号A(f)；

步骤33：将所有包络谱信号随机分为训练集和测试集，将训练集输入到卷积神经网络中进行训练学习，并用梯度下降法不断更新网络权重和偏置参数，使得迭代过程中各层的残差降到最小限度。