[发明专利]一种旋转机械故障不平衡数据生成方法及计算机设备

权利要求书

1.一种旋转机械故障不平衡数据生成方法，其特征在于，所述旋转机械故障不平衡数据生成方法包括：通过对齿轮箱数据进行预处理、进行齿轮箱数据多尺度化、构建并初始化多尺度渐进生成对抗网络模型；同时进行多尺度渐进生成对抗网络模型的训练与优化，利用优化后的多尺度渐进生成对抗网络模型生成多尺度故障数据；

所述进行齿轮箱数据多尺度化包括：

通过使用不同粒度窗长的滑动窗口，按照与窗口长度相同步长对原始振动信号进行分窗处理，提取每个窗口中的最大值，并利用不同粒度的窗口长度获得不同尺度粒度的频域振动数据集；

所述构建并初始化多尺度渐进生成对抗网络模型包括：

以1D-DCGAN为基础框架构建模型，使用服从高斯分布的随机数对构建的模型进行参数初始化，并引入MK-MMD，得到初始化多尺度渐进生成对抗网络模型；

所述进行多尺度渐进生成对抗网络模型的训练与优化包括：

(1)将最低维度的输入噪声信号和最低维尺度的真实故障样本数据输入构建的多尺度渐进生成对抗网络模型，在低维生成器网络G₁与低维判别器D₁中进行反复迭代对抗训练，迭代更新神经网络重点的权值和偏置；

(2)当模型达成纳什平衡后，G₁输出生成的故障数据M_1→1，通过线性上采样方法，生成的故障数据M_1→1从低维尺度上升至高维尺度的M_1→2；

(3)再加入新的噪声信号，将数据输入更高一层的生成器网络G₂与判别器网络D₂，再次进行迭代训练，G₂输出相应尺度的生成故障数据M_2→2；

(4)重复步骤(1)至步骤(3)，对生成的故障数据再次进行上采样、加入噪声信号、对抗训练，得到多尺度渐进增长的一维故障数据以及多尺度的高质量故障数据。

2.如权利要求1所述旋转机械故障不平衡数据生成方法，其特征在于，所述对齿轮箱数据进行预处理包括：

利用设置于齿轮箱上的加速度传感器采集齿轮箱的振动数据，通过变分模态分解的非平稳信号处理方法对提取的齿轮箱的振动数据进行处理，提取频域信号中主要的IMFs，过滤噪声分量，得到无噪的齿轮箱频域振动数据集。

3.如权利要求1所述旋转机械故障不平衡数据生成方法，其特征在，所述1D-DCGAN包括生成器子网络和判别器子网络，损失函数为Wasserstein距离，梯度惩罚GradientPenalty和多核最大均值距离MK-MMD的加权损失。

4.如权利要求1所述旋转机械故障不平衡数据生成方法，其特征在，所述多尺度渐进生成对抗网络模型的损失函数如下：

5.如权利要求1所述旋转机械故障不平衡数据生成方法，其特征在，所述生成多尺度故障数据包括：训练后的对抗网络的各级生成器网络输出的数据即为所述多尺度故障数据。

6.如权利要求1所述旋转机械故障不平衡数据生成方法，其特征在，所述旋转机械故障不平衡数据生成方法包括以下步骤：

步骤一，对行星齿轮箱的一维的振动时序信号进行分析，利用变分模态分解的时频域变换方法去除与故障特征相关性低的谐波进行去噪；

步骤二，利用滑动窗口方法将一维振动信号按照固定窗长和最大值提取，得到多个不同尺度粒度的样本数据集；

步骤三，通过构建多尺度渐进增长的生成对抗网络MPGAN方法，将低位尺度粒度的数据，生成高维尺度粒度的故障数据，引入迁移学习MK-MMD度量方式，令每一级生成数据的分布更加接近于真实数据分布。

7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-6任意一项所述的旋转机械故障不平衡数据生成方法的步骤。