(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111169683.X (22)申请日 2021.10.08 (71)申请人 东北大学 地址 110819 辽宁省沈阳市和平区文化路 三巷11号 (72)发明人 毕远国　付饶　尹少芊　李莹　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 温福雪 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 13/045(2019.01) G06F 119/10(2020.01) (54)发明名称 一种基于改进GAN和ResNet的电动汽车电机 轴承故障诊断方法 (57)摘要 本发明属于电动汽车电机故障诊断与健康 管理技术领域， 提供了一种基于改进GAN和 ResNet的电动汽车电机轴承故障诊断方法。 首先 对轴承振动信号进行离散化处理并构建实际场 景中的不平衡数据集； 再通过引入类别标签和使 用Wasserstein距 离构造损失函数改进了对 抗生 成网络， 生成更具类别特征的数据以解决数据集 不平衡的问题； 最后， 将带有生成数据和真实数 据的平衡数据集输入故障诊断网络， 通过在诊断 网络中构造多尺度残差注意力卷积块 以解决深 层网络训练的梯度消失问题并学习多尺度深层 特征。 本发 明针对解决真实场景中故障数据难以 收集导致的数据集不平衡和复杂工况下有效特 征难以提取的问题， 生成的数据更贴近真实数 据， 使得模型能提取到有效的多尺度深层特 征。 权利要求书2页 说明书5页 附图4页 CN 113887136 A 2022.01.04 CN 113887136 A 1.一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方法， 其特征在于， 包括如 下步骤； 步骤1： 数据预处 理和构建不平衡数据集； 步骤2： 构建由生成器和判别器组成的基于改进GAN的数据扩充网络； 步骤3： 训练由生成器和判别器组成的数据扩充网络， 扩充数据集； 步骤4： 将扩充后的平衡数据集输入基于改进ResNet的诊断网络 。 2.根据权利要求1所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述步骤1具体为对采集到的轴承振动信号进行离散化处理， 随机选取样 本的起始位置； 从起始位置开始截取sr个采样点得到一个样本， 每个文件取样数量为nf个； 按照5： 1的比例构造正常样本和故障样本 。 3.根据权利要求2所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述 步骤1分为 三小步骤， 分别如下： 步骤1‑1： 将正常和每个带有故障的轴承安装在试验台上， 在0 ‑3hp的电机负载下以恒 定速度运行， 并记录振动加速度信号数据， 最后获取正常样本、 外圈损伤样本、 内圈损伤样 本和滚动体损伤样本； 步骤1‑2： 读取振动加速度信号数据集文件， 选择驱动端加速度计的数据， 随机选取样 本的起始位置， 然后从起始位置开始截取 sr个采样点 得到一个样本， 每个文件取样数量为nf 个； 步骤1‑3： 为构建真实情况中存在的不平衡数据集， 在正常样本中， 共选取18nf个样本， 训练样本： 测试样本＝5： 1； 在故障样本中， 共选取6nf个样本， 训练样本： 测试样本＝1： 1。 4.根据权利要求3所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述步骤2具体为在生成器中引入类别标签指导生成器， 引入类别标签生 成具有类别特征的样本； 在生成器和判别器的损失函数的构建过程中使用了Wasserstein 距离， 以解决对抗 生成网络训练过程中梯度消失的问题。 5.根据权利要求4所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述 步骤2共分为两小步骤， 分别如下： 步骤2‑1： 在生成器训练过程中加入类别标签； 通过将标签信息Y＝(y1,y2,...,yk)和噪 声数据Z＝(z1,z2,...,zm)进行拼接送入生成器， 生成符合预期故障类别的数据样本 步骤2‑2： 使用Wasserstein距离优化损失函数； Wasserstein距离数值越小， 表示真实 分布与生成分布之间就越接近； 生成器的损失函数LG和判别器fω的损失函数LD， 如式(1)和 式(2)所示： 其中， Pr为样本的真实分布， Pg是由生成器产生的分布， 函数E()为计算x服从对应分布 的期望值。 6.根据权利要求5所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方权　利　要　求　书 1/2 页 2 CN 113887136 A 2法， 其特征在于， 所述步骤3具体为将服从Pz分布的随机噪声向量Z＝(z1,z2,...,zm)和带标 签的数据集Y＝(y1,y2,...,yk)一起输入生成器， 用于生成样本 然后将生成样 本 与原始样本Sr＝(s1,s2,...,sn)拼接输入判别器， 并将结果返回； 交替训练生成器和判 别器， 直至 达到纳什均衡之后停止训练过程。 7.根据权利要求6所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述 步骤3共分为 三小步骤， 分别为： 步骤3‑1： 在生成器中， 首先将服从Pz分布的随机噪声向量Z ＝(z1,z2,...,zm)与标签集Y ＝(y1,y2,...,yk)进行拼接， 用于生成样本 即通过对抗生成网络令生成样本的 数据分布Pg接近于真实样本的数据分布Pr； 步骤3‑2： 生成样本 与原始样本Sr＝(s1,s2,...,sn)输入判别器； 在判别器中， 对输入的 数据进行卷积计算， 计算后将类别标签和样本数据进行拼接， 通过一个全连接层对数据进 行整合， 返回结果； 步骤3‑3： 不断地交替训练生成器和判别器， 直至 达到纳什均衡之后停止训练过程。 8.根据权利要求7所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于， 所述步骤4具体为利用扩充后的数据集对故障分类方法设计一种基于多尺 度残差卷积和注意力机制的故障诊断模型， 解决网络层数过多时产生的梯度消失问题和复 杂工况条件下有效特 征提取的问题。 9.根据权利要求8所述的一种基于改进GAN和ResNet的电动汽车电机轴承故障诊断方 法， 其特征在于所述 步骤4分为 三小步骤， 分别如下： 步骤4‑1： 以扩充后的均衡数据集作为输入， 首先经过卷积层、 批处理层、 线性整流层和 最大池化层， 抽取深层特 征； 步骤4‑2： 将上一步得到的深层特征输入三个不同尺度残差注意力卷积块； 残差注意力 卷积块由批归一化层、 线性整流层、 卷积层和卷积注意力 层组成， 捷径连接放在卷积注意力 层后； 不同尺度的残差注意力卷积子网络从多个比例不同的原 始信号中学习特 征； 步骤4‑3： 经过残差注意力卷积块后， 将特征传递给全局平均池化层； 全局平均池化保 持网络的鲁棒性， 减少 权重的数量以及防止过拟合， 使用全局池化层保存从卷积子块获得 的全局特征图， 并将不同卷积子块输出的特征向量合并成一个向量， 作为全连接层的输入， 最后连接用于故障识别的Softmax层。权　利　要　求　书 2/2 页 3 CN 113887136 A 3