本技术公开了一种基于Cycle‑GAN的类不平衡条件下航空发动机轴间轴承故障诊断方法，其具体包括:数据获取与预处理、改进并建立Cycle‑GAN模型、训练改进的Cycle‑GAN模型并完成信号转换、通过Cycle‑GAN模型完成实际振动信号的故障诊断。本发明提出了一种新的基于Cycle‑GAN的故障诊断迁移学习方法，通过改进的Cycle‑GAN模型将已知条件下的信号样本转换为未知条件下的新信号样本，提供数据分布更接近真实信号的转换信号的同时还能确保转换信号保留原始信号中的故障类别信息，解决实际场景中故障数据稀缺的问题，并利用转换信号对分类器进行训练，使得分类器能够区分未知条件下的故障数据。在实际工程应用中，尤其是类不平衡条件下航空发动机轴间轴承故障诊断问题中，本发明具有广阔的应用前景。
背景技术
航空发动机被誉为“工业之花”，是提供动力的核心机器，轴间轴承作为航空发动机双转子系统中的关键部件，起着连接和支撑的核心作用。然而，航空发动机的轴间轴承安装在高压转子和低压转子之间，独特的安装位置使其长时间处于高速、高强度冲击和重载的恶劣运行环境下，常导致轴承发生局部故障，此类故障会使得轴承表现出独特且复杂的振动模式，进而直接影响发动机的安全性和可靠性，导致重大安全事故，危及人们的生命和财产安全。因此，高效准确的轴间轴承故障诊断方法对于保证发动机的稳定运行具有重要意义。近年来，深度学习在计算机视觉和自然语言处理等方面取得了巨大成就，凭借强大的特征提取能力已被广泛应用于工业设备及关键部件的故障诊断。基于深度学习故障诊断方法的有效性基于数据应服从相同分布的假设，但是在实际的工业环境中，负载和转速等工作条件的变化会使数据分布存在较大的差异，这将导致智能诊断模型出现泛化性差的问题。作为迁移学习子领域的域自适应方法常被用来解决这个问题，能够将某一领域的知识迁移应用到类似领域，缩小不同领域间的数据分布差异，为跨域故障诊断问题提供了很多有效的方法，包括最大均值差异（MMD）、域对抗神经网络（DANN）和联合分布自适应（JDA）。然而，航空发动机作为高可靠性工业产品，通常在正常状态下运行，机械故障是偶发和不确定的，这意味着正常状态轴承样本丰富，而故障状态轴承样本稀缺，另一种情况则是某一故障状态下的样本数量远小于其他故障状态下的样本数量，很难收集到足够多的航空发动机轴间轴承故障样本并构建理想的数据集，不同健康状态之间的样本数据则会存在类不平衡问题，当使用类不平衡数据集训练模型时，将无法获得准确的诊断结果，这是限制智能诊断模型在工业场景中实际应用的一个重要因素。为在类不平衡条件下实现故障诊断，进行了许多关于类不平衡故障诊断的研究，其中生成对抗网络（GAN）在解决此类问题方面展现出了较大的应用潜力。GAN是一种数据生成模型，能够通过生成器和鉴别器的对抗训练生成与真实数据分布相似的新样本数据。作为GAN的变体模型，循环生成对抗网络（Cycle-GAN）能够在没有配对数据的场景下将已标记样本数据从已知场景转换到未知场景，有利于解决故障诊断实际场景中无数据的问题。本发明基于Cycle-GAN进行改进，利用改进后的Cycle-GAN模型将已知条件下的信号转换为未知条件下的信号，在保留数据特征和故障类别信息的情况下，减少转换信号和真实信号的数据分布差异，提高转换信号的质量和数量，实现类不平衡条件下航空发动机轴间轴承的故障诊断。本发明提出了一种基于Cycle-GAN的无监督迁移学习网络模型，改进的Cycle-GAN能够应用于不同条件下的样本数据，通过已知条件的样本数据生成未知条件下的新样本，利用新样本数据对模型分类器进行训练实现未知条件下样本的故障诊断。
实现思路