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：南京理工大学

摘要：本发明公开了一种基于小样本和GAF‑DCGAN的滚动轴承故障诊断方法，首先对含噪滚动轴承振动信号进行小波去噪，获得重构后的振动信号之后利用格米拉角场GAF将其转换为二维图像；将二维图像输入到深度卷积生成对抗网络模型中进行图像生成；然后将生成的图像和原始图像进行混合，将扩充的数据输入到故障诊断模型进行训练，很好了解决了小样本问题；最后将待诊断的故障图像输入到训练好的故障诊断模型，进行滚动轴承故障诊断。本发明还提出一种添加softmax层的判断标准，经过判断之后再将图像输入添加一层softmax层的DCGAN故障诊断模型进行训练。最终提高故障诊断的准确率。

主权项：1.一种基于GAF-DCGAN的滚动轴承故障诊断方法，用于通过分析现场采集的轴承振动信号，来判断轴承是否故障以及故障的类型，其特征在于，包括如下的步骤：步骤1、对所采集的轴承数据集进行处理：采集轴承振动数据，形成包含有故障数据集和正常数据集的样本数据集；步骤2、对轴承样本数据集进行去噪处理，得到去噪后的一维轴承数据集；步骤3、将去噪后的一维轴承数据集转换为二维故障图像集；步骤4、建立DCGAN轴承数据生成模型：利用二维故障图像集对预先构建好的DCGAN模型进行训练，得到一个轴承数据生成模型；所述DCGAN的结构中的生成器和判别器均由卷积神经网络构成；其中判别器结构依次由输入层、第一层卷积层、批标准化、第二层卷积层、批标准化、第三层卷积层、批标准化、第四层卷积层、批标准化、全局池化层、Flatten层、Dense层、输出层组成；生成器由输入层、形状变化层、第一层转置卷积层、第二层转置卷积层、第三层转置卷积层、第四层转置卷积层、输出层构成；步骤5、初始化DCGAN故障数据生成模型参数，通过二维故障图像集对DCGAN轴承数据生成模型进行训练，对每次训练所得图像计算一个评估值，该评估值表示生成图像与原始图像的综合距离，训练完成的评价标准为该评估值达到设定的阈值，最终得到一个训练好的DCGAN故障数据生成模型；步骤6、判定该评估值是否大于设定的阈值，若大于设定的阈值，则在训练好的DCGAN故障数据生成模型的判别器的输出层之后添加一个SoftMax层，使此模型便具备分类能力，使得DCGAN故障数据生成模型转换为DCGAN故障诊断模型；若小于阈值，则转入步骤5；步骤7、将步骤6中符合该评估值的生成图像与原始图像数据集进行混合，形成扩充后的样本数据集，将该样本数据集作为DCGAN故障诊断模型的输入，对该模型进行训练，通过计算损失值是否收敛来判断模型是否训练完成，最终得到训练好的轴承故障诊断模型。

全文数据：

权利要求：

百度查询： 南京理工大学 一种基于小样本和GAF-DCGAN的滚动轴承故障诊断方法