(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210972101.X (22)申请日 2022.08.15 (65)同一申请的已公布的文献号 申请公布号 CN 115049852 A (43)申请公布日 2022.09.13 (73)专利权人 中国长江三峡集团有限公司 地址 100038 北京市海淀区玉渊潭南路1号 (72)发明人 王罗　刘瑞阔　李俊卿　胡晓东　 邹祖冰　邓友汉　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 马永芬 (51)Int.Cl. G06V 10/44(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06T 11/00(2006.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G01M 13/045(2019.01) (56)对比文件 CN 10876 0302 A,2018.1 1.06 CN 113469060 A,2021.10.01 CN 112254964 A,2021.01.2 2 CN 112629863 A,2021.04.09 WO 2022141669 A1,202 2.07.07 审查员 池心恒 (54)发明名称 一种轴承故障诊断方法、 装置、 存储介质及 电子设备 (57)摘要 本发明公开了一种轴承故障诊断方法、 装 置、 存储介质及电子设备， 获取第一数据； 对第一 数据进行转换处理， 得到第二数据， 所述第二数 据中携带所述第一数据的故障类型标签； 获取目 标神经网络； 将第二数据输入所述目标神经网络 进行训练处理， 得到第三数据， 所述第三数据为 与所述第二数据高度拟合的数据； 利用第三数据 和所述第二数据， 经过预设诊断概率融合方法， 得到诊断结果。 将轴承故障振动数据转换为带故 障类型标签的数据， 极大程度上保留数据信息； 利用目标神经网络得到与原始带故障类型标签 的数据高度拟合的数据， 并与原始带故障类型标 签的数据经过诊断融合得到诊断结果， 解决了故 障诊断中故障样本不足及样本不均衡导致的诊 断准确率低的缺 点。 权利要求书2页 说明书12页 附图6页 CN 115049852 B 2022.12.02 CN 115049852 B 1.一种轴承故障诊断方法， 其特 征在于， 所述方法包括： 获取第一数据， 所述第一数据为轴承故障振动数据； 对所述第一数据进行转换处理， 得到第二数据， 所述第二数据中携带所述第一数据的 故障类型 标签； 获取目标神经网络， 所述目标神经网络是利用预设算法优化后的生成对抗网络； 将所述第二数据输入所述目标神经网络进行训练处理， 得到第三数据， 所述第三数据 为与所述第二数据高度拟合的数据； 利用所述第三数据和所述第二数据， 经 过预设诊断概 率融合方法， 得到诊断结果； 所述目标神经网络包括 生成器和判别器； 所述获取目标神经网络， 包括： 获取任意随机数与所述第一数据的故障类型 标签； 将所述任意随机数和所述第 一数据的故障类型标签输入所述生成器进行处理， 得到第 一图像数据； 利用所述判别器判别所述第一图像数据的真假和类别， 得到第一判决结果； 所述判别器利用Dropout机制进行拟合处 理； 所述获取目标神经网络， 还 包括： 获取第一神经网络； 利用所述第 一神经网络， 确定所述第 一数据的故障类型标签以及所述第 一数据的故障 类型标签对应的嵌入维度值和Dropout概率值， 所述嵌入维度值反映所述故障类型标签的 标签映射维度； 利用预设算法对所述嵌入维度值与所述Dropout概率值进行优化处理， 得到第一嵌入 维度值与第一Dropout概 率值； 以所述第一图像数据和所述第 二数据构建真假损失函数与分类判别损失函数， 以所述 第一嵌入维度值与所述第一Dropout 概率值对 所述第一神经网络进 行训练直至所述真假损 失函数与所述分类判别损失函数满足预设要求， 得到目标神经网络 。 2.根据权利要求1所述的方法， 其特征在于， 将所述第 二数据输入所述目标神经网络进 行训练处理， 得到第三数据， 包括： 将所述第二数据输入所述目标神经网络， 重复 “对所述生成器进行训练直至预设生成 器损失函数满足要求， 对所述判别器进 行训练”， 直至所述预设生成器损失函数与预设判别 器损失函数满足要求， 利用所述目标神经网络生成第三数据。 3.根据权利要求1所述的方法， 其特征在于， 利用所述第三数据和所述第二数据， 经过 预设诊断概 率融合方法， 得到诊断结果， 包括： 将所述第三数据和所述第二数据进行混合处理， 得到第 四数据， 所述第 四数据中携带 利用独热编码为所述第一数据添加的类型 标签； 获取至少一个神经网络学习模型； 将所述第四数据输入所述至少一个预设神经网络学习模型， 得到每个神经网络学习 模 型对所述第四数据的分类结果； 利用所述每个神经网络学习 模型对所述第四数据的分类结果， 经过预设诊断概率融合 方法， 得到诊断结果。 4.根据权利要求3所述的方法， 其特征在于， 将所述第 三数据和所述第 二数据进行混合 处理， 得到第四数据之后， 所述方法还 包括：权　利　要　求　书 1/2 页 2 CN 115049852 B 2对所述第四数据进行降维处理， 得到第五数据， 所述第五数据表征删除冗余数据后的 所述第四数据。 5.根据权利要求3所述的方法， 其特 征在于， 所述方法还 包括： 根据所述诊断结果确定轴承的状态。 6.一种轴承故障诊断装置， 其特 征在于， 包括： 第一获取模块， 用于获取第一数据， 所述第一数据为轴承故障振动数据； 第一处理模块， 用于对所述第 一数据进行转换处理， 得到第 二数据， 所述第 二数据中携 带所述第一数据的故障类型 标签； 第二获取模块， 用于获取目标神经网络， 所述目标神经网络是利用预设算法优化后的 生成对抗网络； 第二处理模块， 用于将所述第二数据输入所述目标神经网络进行训练处理， 得到第三 数据， 所述第三数据为与所述第二数据高度拟合的数据； 确定模块， 用于利用所述第 三数据和所述第二数据， 经过预设诊断概率融合方法， 得到 诊断结果； 所述目标神经网络包括生成器和判别器， 所述判别器利用Dropout机制进行拟合处理； 所述第二获取模块包括： 第一获取子模块， 用于获取任意随机数与所述第一数据的故障类型 标签； 第一输入子模块， 用于将所述任意随机数和所述第 一数据的故障类型标签输入所述生 成器进行处 理， 得到第一图像数据； 第一判别子模块， 用于利用所述判别器判别所述第一图像数据的真假和类别， 得到第 一判决结果； 第二获取子模块， 用于获取第一神经网络； 第一确定子模块， 用于利用所述第一神经网络， 确定所述第一数据的故障类型标签以 及所述第一数据的故障类型标签对应的嵌入维度值和Dropout概率值， 所述嵌入维度值反 映所述故障类型 标签的标签映射维度； 第一处理子模块， 用于利用预设算法对所述嵌入维度值与所述Dropout概率值进行优 化处理， 得到第一嵌入维度值与第一Dropout概 率值； 第一训练子模块， 用于以所述第 一图像数据和所述第 二数据构建真假损失函数与分类 判别损失函数， 以所述第一嵌入维度值与所述第一Dropout概率值对所述第一神经网络进 行训练直至所述真假损失函数与所述分类判别损失函数满足预设要求， 得到目标神经网 络。 7.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机指 令， 所述计算机指令用于使所述计算机执行如权利要求1 ‑5任一项所述的轴承故障诊断方 法。 8.一种电子设备， 其特征在于， 包括： 存储器和 处理器， 所述存储器和所述处理器之间 互相通信连接， 所述存储器存储有计算机指 令， 所述处理器通过执行所述计算机指令， 从而 执行如权利要求1 ‑5任一项所述的轴承故障诊断方法。权　利　要　求　书 2/2 页 3 CN 115049852 B 3