[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

说明书

本发明属于机械设备故障诊断技术领域，公开了一种旋转机械故障不平衡数据生成方法及计算机设备，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。本发明通过渐进生成的方式输出高质量故障数据样本解决这一领域普遍存在的严重数据不平衡问题。该方法可以补充少数类别的样本，达到平衡数据集的效果。本发明引入迁移学习的多核最大均值距离MK‑MMD度量方法，使得每一级生成数据的分布更加接近真实数据的分布情况，也确保了生成数据可具备相应的机理性。

技术领域

本发明属于机械设备故障诊断技术领域，尤其涉及一种旋转机械故障不平衡数据生成方法及计算机设备。

背景技术

目前，近几十年来，科学技术与工程技术迎来了飞速的发展，现代机械设备也愈发的复杂化、智能化，我们对机械装备的可用性和稳定性有了更高的需求，发展可靠高效的针对机械装备核心部件智能运维方法成为了迫切的需求。齿轮箱是旋转机械设备中的核心部件，比如在风力发电机设备中，行星齿轮箱承担着风机传动系统的运转，在这样长期极端环境下的高负载运转之下，比较容易发生齿轮裂纹、断齿、磨损等一系列常见故障。通常，事后维护的成本代价远远高于定期维护，而在工程机械运转的环境中，预测性维护的效益有远高于定期维护。有效的故障诊断是预测性维护的关键，可以提前发现部件故障，及时进行维修，以避免出现事故后造成巨大的安全问题和经济损失。然而，与常规的实验环境不同，在真正的工程环境下，机械部件的故障时间远远小于正常运行时间，即机械故障诊断领域存在着严重的数据集不平衡的问题。目前，基于数据驱动方法成为了故障诊断领域的主流方法，而基于深度学习的故障诊断方法则是研究热点和发展趋势。但是，这些数据驱动的方法都需要以合适的平衡数据集为基础，而不平衡的数据集则会模型的分类造成误导，使得模型更加期望提高多数类的诊断准确率，而不在关注模型在少数类上的分类准确率，这种情况导致了直接使用实际工程数据训练出的故障诊断模型的准确性，可靠性明显低于实验室中的模型指标。生成对抗网络(GAN)自2014年被提出后，已经成为了数据生成领域的主流方法之一。

生成对抗网络通过构建生成子网络，判别子网络，两种子网络以对抗的形式学习生成数据分布以及判别真伪，最终达到“纳什平衡”后，判别器无法鉴别出生成样本与真实样本后，认为生成器输出的生成样本可以做到以假乱真，即生成样本符合真实样本的分布。这一思想具有开创性的引领作用，但生成对抗网络的原始方法仍存在不少问题，比如训练不收敛，模型失败，模式崩溃。后续许多学者对生成对抗网络的网络结构和损失函数进行改进，也被逐渐应用到了故障诊断的研究领域中。但是，现有的方法生成出的数据的质量欠佳，其信号的应该具备的机理性也难以满足，且直接生成高尺度粒度信号模型容易训练失败。

通过上述分析，现有技术存在的问题及缺陷为：现有技术生成的数据的质量欠佳，信号应具备的机理性难以满足，直接生成高尺度粒度信号模型容易训练失败；旋转机械关键部件的故障诊断领域的数据不平衡。

解决以上问题及缺陷的难度为：虽然一些研究者通过对原始GAN网络结构和损失函数上的改进，使得这种生成对抗结构的可靠性增加了许多。但是，已有的基于GAN的数据生成方法，在一维振动信号的数据生成中仍存在明显的不稳定性，在训练中模型可能会不收敛，导致训练失败，并且生成数据的质量也难以保证。而这个问题必然会大量增加模型训练工作，这个过程增加了人工参与，非常不利于数据生成过程的自动化，对生成方法在该领域的实际应用造成负面影响。

解决以上问题及缺陷的意义为：本发明提出的MPGAN算法针对一维振动信号的数据生成进行的改进，可以保证模型训练过程的稳定性以及高质量的数据生成。一个稳定可靠的模型框架可以提升工作效率，有利于数据生成过程的自动化，有利于推动该方法在实际应用中落地。

发明内容

针对现有技术存在的问题，本发明提供了一种旋转机械故障不平衡数据生成方法及计算机设备。