申请/专利权人：大连理工大学

申请日：2024-02-05

公开（公告）日：2024-05-07

公开（公告）号：CN117992830A

主分类号：G06F18/24

分类号：G06F18/24;G06F18/10;G06F18/214;G06N3/045;G06N3/0475;G06N3/094;G06N3/0464;G06N3/084

优先权：

专利状态码：在审-公开

法律状态：2024.05.07#公开

摘要：本发明提供了一种基于先验知识融合生成对抗网络的机械故障数据生成方法，属于故障数据生成技术领域。本发明通过将先验知识结合到生成对抗网络的判别器中，将先验知识纳入考量，作为判断样本真伪的依据，迫使生成器学习这些先验知识以欺骗判别器，提高合成数据的数据质量，扩充故障数据；通过结合DCGAN网络结构和WGAN‑GP算法，消除了梯度爆炸和梯度消失问题，提高了训练的稳定性，并引入特征匹配机制以指导训练，加快了网络训练进程，让网络的训练能平稳收敛。

主权项：1.一种基于先验知识融合生成对抗网络的机械故障数据生成方法，其特征在于，包括以下步骤：S1：通过单轴加速度传感器采集到的振动信号，将其中的故障数据依据故障种类进行人工的标签标注，将故障的振动信号数据通过滑动窗口的形式进行数据截取，得到原始数据的样本集；S2：构建深度卷积神经网络模型作为故障诊断分类器模型，通过原始数据对故障诊断分类器模型进行训练，得到原始真实数据的故障诊断模型；S3：构建深度卷积生成式对抗网络模型；计算原始数据样本的时域统计指标作为先验知识；S4：构建WGAN-GP算法模型，将判别器中的最后两层全连接层作为决策层，通过判别器提取原始数据的高维特征，并建立决策层中的部分节点与时域统计指标的L1正则化项作为统计特征损失项，将统计特征损失项加入到判别器的损失函数中，并将这部分节点提取的特征称作时域统计特征；S5：随机生成高斯噪音，将高斯噪音输入到生成器中，得到生成器的输出，即合成数据样本；将合成数据样本输入到判别器中，并建立原始数据样本在判别器决策层中的特征向量与合成数据样本在判别器决策层中的特征向量的L2正则化项作为特征匹配损失项，加入到生成器的损失函数中；S6：交替训练判别器与生成器，训练完成后通过训练好的生成器生成一定数量的生成样本，制成合成数据样本集，将合成数据样本集输入步骤S2训练好的故障诊断模型，将合成数据样本的故障诊断结果与其标签作对比，获得故障诊断模型对于生成故障数据的准确率，以此衡量生成对抗网络模型的性能。

全文数据：

权利要求：

百度查询： 大连理工大学 基于先验知识融合生成对抗网络的机械故障数据生成方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD