买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：贵州大学

摘要：本发明公开了一种极端不平衡数据故障诊断的BCTGAN数据扩充方法，包括如下步骤：使用CNN‑Transformer作为生成对抗网络中生成器的基础结构，判别器采用CNN结构，从局部和整体还原故障振动信号特征；对原始样本初步扩充，同时使用SMOTE增强方式对原始样本处理产生对抗样本，对原始时间序列样本进行微增强和SMOTE增强两种方式预处理；比较生成样本和原始样本的差异，剔除离群的样本；使用少量的故障样本先扩充数据后，再利用卷积分类器实现对故障时间序列的识别。本发明的BCTGAN数据扩充方法有效的解决了极端不平衡故障模式下的诊断问题，提供了一种出色并具有良好解释性的生成模型。

主权项：1.一种不平衡数据故障诊断的BCTGAN数据扩充方法，BCTGAN是具有平衡调节及串行CNN-Transformer结构的生成对抗网络，其特征在于，至少包括如下步骤：步骤1.使用CNN-Transformer作为生成对抗网络中生成器的基础结构，判别器采用CNN结构，从局部和整体还原故障振动信号特征，其中，CNN-Transformer是CNN与Transformer串行连接的网络结构，从局部和整体还原故障振动信号特征是利用反卷积层和Transformer模块顺次串行连接构成CNN-Transformer模块，从而作为生成器的基础结构，结合判别器的卷积层共同作为整个生成对抗网络的架构，包括在噪音输入后，首先通过一个线性层将噪声向量放大到所需形状，接着通过所设计的一维转置卷积和Transformer的交替结构，Transformer模块首尾两端也加入了具有残差连接的转置卷积，并通过多头注意力机制和归一化层，逐步实现对振动信号从局部到全局的建模，利用CNN-Transformer对噪音向样本序列映射的计算公式如下所示： ； ； ；其中，表示噪声输入，表示前一步骤输入的向量，表示经过第一个Dropout后输出的向量，表示经过第二个Dropout后输出的向量，表示反卷积，表示多头注意力机制，表示层归一化；步骤2.对原始样本初步扩充，同时使用SMOTE增强方式对原始样本处理产生对抗样本，对原始时间序列样本进行微增强和SMOTE增强两种方式预处理，其中，SMOTE是一种用于解决类别不平衡问题的技术；包括在已有的故障样本中添加噪声、对前后两个时间序列样本拼接、对样本某一段作翻转产生微增强作用的样本，同时在已有样本之间选出部分样本通过SMOTE方法产生SMOTE增强的样本，同时利用两种增强方法设计新的损失函数项帮助稳定训练过程；步骤3.比较生成样本和原始样本的差异，剔除离群的样本；步骤4.使用故障样本先扩充数据后，再利用卷积分类器实现对故障时间序列的识别。

全文数据：

权利要求：

百度查询： 贵州大学 一种极端不平衡数据故障诊断的BCTGAN数据扩充方法