(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 202111235360.6 (22)申请日 2021.10.2 2 (71)申请人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 申请人 大连海大智船 科技有限责任公司 (72)发明人 张均东　侯良生　李燕彪　蒋丁宇　 姜瑞政　唐元元　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 代理人 修睿　李洪福 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01)G01M 13/045(2019.01) (54)发明名称 一种数据不平衡且数据集存在偏差的滚动 轴承故障诊断方法 (57)摘要 本发明提供一种数据不平衡且数据集存在 偏差的滚动轴承故障诊断方法。 本发 明包括一个 生成器G、 一个判别器D和一个跨域故障分类器C， 整个故障诊断模 型进行交替对抗训练， 其目的使 用合成的故障样本再平衡训练集数据， 使用再平 衡训练集数据和无标签测试集样本训练故障分 类器C。 使用训练好的跨域故障中分类器C对测试 集故障样 本进行故障诊断。 本发 明故障诊断准确 率高， 非常适用于故障数据不平衡且 数据集存在 偏差的滚动轴承故障诊断。 权利要求书1页 说明书3页 附图3页 CN 113946920 A 2022.01.18 CN 113946920 A 1.一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法， 其特征在于， 包括如 下步骤： 步骤1、 收集滚动轴承振动信号作为故障数据， 将故障数据分为训练集和测试集， 训练 集故障样本和 测试集故障样本存在偏差； 步骤2、 建立故障诊断模型， 所述故障诊断模型包括用于产生偏差较小的再平衡故障样 本生成器G和用于识别真、 假 故障样本的判别器D， 初始 化权值和阈值， 将噪音和标签输入到 生成器G， 生成低比例无数据集偏 差故障样本， 生成故障样本和真实故障样 本均输入到判别 器D进行判断， 直到判别器D判别不出样本是真实样本还是生成样本； 步骤3、 建立跨域故障诊断分类器C， 初始化权值和阈值， 将训练集再平衡故障样本和测 试集故障样本同时输入到故障分类 器C； 步骤4、 生成器G同时缩小Lg误差和故障分类器误差LC， 判别器D缩小LD误差， 故障分类器 C同时缩小交叉熵损失Lcls和CORAL损失LCORAL， 缩小生成故障样本与目标域样本数据集偏差； 步骤5、 通过训练好的故障分类 器C对测试集故障进行故障诊断。 2.根据权利要求1所述的数据不平衡且数据集存在偏差的滚动轴承故障诊断方法， 其 特征在于， 所述 步骤4中， LG＝Lg+LC LC＝α Lcls+β LCORAL 其中， α和β 是一个0 ‑1之间的常数， i是代表第i个样本， K是训练集样本的数目， xi是第i 个真实样本， zi是第i个噪音样本， ci第i个样本的标签。权　利　要　求　书 1/1 页 2 CN 113946920 A 2一种数据不平衡且数据集存在 偏差的滚动轴承故障诊断方 法 技术领域 [0001]本发明涉及滚动轴承故障处理技术领域， 尤其涉及一种数据不平衡且数据集存在 偏差的滚动轴承故障诊断方法。 背景技术 [0002]在工业应用中， 滚动轴承大部分时间处于正常状态， 发生故障概率较小且其运行 工况经常发生变化。 这导致了收集到的滚动轴承故障样本同时存在两个问题:(1)故障数据 不平衡和(2)数据集偏差， 严重降低了传统智能故障诊断方法的准确率。 发明内容 [0003]根据上述提出的技术问题， 而提供一种数据不平衡且数据集存在偏差的滚动轴承 故障诊断方法。 本发明用于故障数据不平衡同时数据集偏差的滚动轴承故障诊断， 其原理 是自动生成无数据集偏差的低比例故障样本， 无数据集偏差的低比例故障样本平衡故障数 据， 用以故障模型训练。 本发明采用的技 术手段如下： [0004]一种数据不平衡且数据集存在偏差的滚动轴承故障诊断方法， 包括如下步骤： [0005]步骤1、 收集滚动轴承振动信号作为故障数据， 将故障数据分为训练集和测试集， 训练集故障样本和 测试集故障样本存在偏差； [0006]步骤2、 建立故障诊断模型， 所述故障诊断模型包括用于产生偏差较小的再平衡故 障样本生成器G和用于识别真、 假 故障样本的判别器D， 初始 化权值和阈值， 将噪音和标签输 入到生成器 G， 生成低比例无数据集偏差故障样本， 生成故障样本和真实故障样本均输入到 判别器D进行判断， 直到判别器D判别不出样本是真实样本还是生成样本； [0007]步骤3、 建立跨域故障诊断分类器C， 初始化权值和阈值， 将训练集再平衡故障样本 和测试集故障样本同时输入到故障分类 器C； [0008]步骤4、 生成器G同时缩小Lg误差和故障分类器误差LC， 判别器D缩小LD误差， 故障分 类器C同时缩小 交叉熵损失Lcls和CORAL损失LCORAL， 缩小生成故障样本与目标域样本数据 集 偏差； [0009]步骤5、 通过训练好的故障分类 器C对测试集故障进行故障诊断。 [0010]进一步地， 所述步骤4中， [0011]LG＝Lg+LC [0012] [0013] [0014]LC＝α Lcls+β LCORAL [0015]其中， α和β 是一个0 ‑1之间的常数， i是代表第i个样本， K是训练集样本的数目， xi说　明　书 1/3 页 3 CN 113946920 A 3