(19)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 202211000229.6 (22)申请日 2022.08.19 (71)申请人 湖南大学 地址 410000 湖南省长 沙市岳麓区麓山 南 路1号 (72)发明人 邵海东　陈明志　邓乾旺　钟翔　 (74)专利代理 机构 湖南岑信知识产权代理事务 所(普通合伙) 43275 专利代理师 谷萍 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/776(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/44(2022.01) G06K 9/00(2022.01) (54)发明名称 一种针对行星 齿轮箱的故障诊断方法 (57)摘要 本发明公开了一种针对行星齿轮箱的故障 诊断方法。 本方法首先将故障时序信号转为时频 图故障样 本， 接着为充分利用现有极少数故障样 本， 建立了提升的局部融合生成对抗网络模型， 该网络利用编码解码结构与局部融合模块灵活 挖掘样本特征， 并构建嵌入多头注 意力机制的生 成器模块， 有效提升了网络特征提取性能并优化 了生成样本的局部生成细 节； 并提出了一套基于 SSIM与FID的生成质量优化与评估策略， 进一步 提升了生 成样本的多样性与相似性。 在仅有极少 量行星齿轮箱故障样本的情况下， 该方法能够生 成大量高质量样本， 其在生 成质量的多样性与相 似性上都优于现有主流生 成对抗网络， 接着利用 生成样本对原始故障数据集进行扩充， 显著提高 了故障诊断任务的准确性。 权利要求书3页 说明书10页 附图2页 CN 115375968 A 2022.11.22 CN 115375968 A 1.一种针对行星 齿轮箱的故障诊断方法， 其特 征在于， 包括如下步骤： 步骤S1、 采集行星齿轮箱在不同故障类别下的振动信号， 并利用连续小波变换将每个 振动时序信号段转为对应的时频谱矩阵， 将时频谱矩阵通过热力图的形式可视化成RGB三 通道的时频图， 形成时频图数据集； 步骤S2、 建立局部融合生成对抗网络模型， 使用局部融合生成对抗网络作为基础结构 构建嵌入多头注意力机制生成器的对抗网络模型； 所述嵌入多头注意力机制生成器的对抗 网络模型用于为每 个故障类别生成预设数量的生成样本； 步骤S3、 建立基于SSIM与FID的生成质量优化与评估策略， 于SSIM与FID的生成质量优 化与评估策略用于对生成样本进行评估与筛 选， 从而得到 筛选后生成样本； 步骤S4、 将时频图数据集用于样本生成器的训练得到训练好的嵌入多头注意力 机制生 成器的对抗网络模型， 并用训练好的嵌入多头注意力机制生成器的对抗网络模型为每个故 障类别生成预设数量的生成样本， 并利用基于SSIM与FID的生成质量优化与评估策 略对生 成样本进行评估与筛 选， 得到筛选后生成样本； 步骤S5、 将筛选后生成样本与原始样本结合， 输入智能诊断网络模型中， 进行模型优化 训练， 得到训练好的智能诊断网络模型， 并用测试样本检验其故障分类效果； 步骤S6、 将行星齿轮箱故障时的振动信号转化为原始的时频图， 然后将原始的时频图 输入训练好的嵌入多头注意力机制生成器的对抗网络模型得到生 成样本， 再通过基于SSIM 与FID的生成质量优化与评估策略筛选进行评估与筛选得到筛选后生成样本， 将筛选后生 成样本与原始的原始时频图集合输入训练好的智能诊断网络模型， 识别得到行星齿轮箱的 故障类型。 2.根据权利要求1所述的针对行星齿轮箱的故障诊断方法， 其特征在于： 在步骤S2中， 嵌入多头注意力机制生成器的对抗网络模型的构建流 程如下： 局部融合生成对抗网络模型包括生成器G与鉴别器D； 其中鉴别器D使用四个残差块作 为特征提取器， 每个残差块包含两个卷积层和 一个平均池化层 并加入残差连接， 最后利用 两个全连接层分别用来评估图像的真实性和分类结果， 生成器G为嵌入多头注意力机制的 生成器， 从而构建形成 嵌入多头注意力机制的生成器形成样本生成器； 生成器G使用编码 解码结构作为主要框架， 在 输入数据时， 将k张图片X＝{x1,...,xk}一 并输入编码器进行解码， 接着局部融合模块LFM将 和随机系数α作为输入， 并生成融合特 征向量 接着将这个融合特征向量 输入解码器， 得到生成图片 最后将生成图片 和真实图片X一同输入判别器进行对抗训练； 其中 为图片解码向量， LFM表示局部融合模块， 表示融合特 征向量， H表示 解码器； 局部融合模块LFM首先选择其中一个特征 向量作为基础特征fbase， 将剩下的k ‑1个特征 向量集作为参考特征 其目的是为基础特征fbase提供融合特征； 接着在fbase中随机选择 n个局部位置， 从而得到一个基准局部特征φbase； 然后建立fref与φbase的相似度映射图M如 下： 权　利　要　求　书 1/3 页 2 CN 115375968 A 2其中k表示特征向量的数量； fref表示 中的每一个参考特征向量； i∈{1,...,n},j∈ {1,...,h*w}, 是一个相似度矩阵， 表示第i个基准局部特征， 表示第j个 参考特征向量， M(i,j)表示 与 的余弦相似度， h表示图像高度， w表示图像宽度； 根据相 似度映射图M， 在fref中找到与φbase中每个位置最相似的相应局部特征表示φref， 然后使用 一个随机系数 向量α ＝[αi,..., αk]对被选择的局部特征表示φref与基准局部特征φbase进 行融合， 得到局部融合特 征φfuse: 其中, 而且t＝1,...,n； 最后将局部融合特征φfuse在fbase的对应位置进 行替换， 从而得到一个融合后的特征向量 作为LFM模块的输出； φfuse表示局部融合特征， αbase表示基准局部特 征φbase的系数向量， 表示第t个 基准特征向量， αi表示与第i个局部 特征向量对应的系数， 表示从第i个参 考特征向量中选择 出的第t个局部特 征表示。 3.根据权利要求2所述的针对行星 齿轮箱的故障诊断方法， 其特 征在于： 在步骤S2中， 多头注意力 机制的生成器包括编码器和解码器； 编码器由一个多头注意力模块和六个 卷积块组成； 其中每个卷积块都包含一个卷积层， Leaky ‑ReLU激活和批量标准化， 多头注 意 力模块用于使得编 码器能够快速获取故障样本的全局信息， 对时频图中能量分布的局部关 键信息给予更多关注， 从而便于网络进行局部特征融合时， 能够更精确 地找到基准图像与 参考图像之间的局部特征对应位置； 解码器与编码器的结构对称， 包括一个多头注意力机 制块、 两个卷积块和四个上采样卷积块， 解码器的多头注意力模块用于使编码器能够着重 关注局部特 征的生成细节， 从而达 到提高生成质量的目的。 4.根据权利要求2所述的针对行星齿轮箱的故障诊断方法， 其特征在于： 所述步骤S4 中， 样本生成器使用以下损失函数进行优化： 其中： G表示生成器， D表示判别器X代表输入图像， c(X)代表图像类别， D(X)表示判别器对真 实图像的真假判别结果， D(z)表 示判别器对生 成图像的真假判别结果， z＝G(X, α )代表 生成 图像， 代表判别器的对抗损失， 代表生成器的对抗损失， 代表判别器的分类损失，权　利　要　求　书 2/3 页 3 CN 115375968 A 3