(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 202111383542.8 (22)申请日 2021.11.19 (71)申请人 东风汽车集团股份有限公司 地址 430000 湖北省武汉市武汉经济技 术 开发区东 风大道特1号 申请人 东风悦享科技有限公司 (72)发明人 陈乾坤　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 代理人 周伟 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06Q 50/06(2012.01)G06F 16/215(2019.01) (54)发明名称 一种基于 条件式Wasserstein生成对 抗网络 的电机故障数据增强方法 (57)摘要 一种基于 条件式Wasserstein生成对 抗网络 的电机数据增强方法， 包括如下步骤： 将缺失和 重复的数据删除， 对原始样本其所属的状态类别 进行One‑Hot编码， 将带有标签的数据集进行归 一化处理； 用真实的电机故障数据训练对CWGAN ‑ G P 模 型 中 的 判 别 器 进 行 预 训 练 ，选 用 Wasserstein距 离来度量实际分布与生成分布之 间的差异； 使用上述生成的样 本训练的故障诊断 模型， 对现实中电机运行时所产生数据进行检 测， 诊断设备是否发生故障以及故障类型， 验证 数 据 增 强 的 有 效 性 ，利 用 基 于 条 件 式 Wasserstein生成对抗网络 的方法， 解决了电机 故障数据稀缺的问题， 提高了电机故障诊断模型 的泛化能力和表达能力， 同时增强了电机故障诊 断模型的实用性。 权利要求书2页 说明书4页 附图2页 CN 114154405 A 2022.03.08 CN 114154405 A 1.一种基于条件式Was serstein生成对抗网络的电机数据增强方法， 其 步骤如下： 步骤一： 将缺失和重复的数据删除， 对原始样本其所属的状态类别进行One ‑Hot编码， 将带有标签的数据集进行归一 化处理； 步骤二： 用真实的电机故障数据训练对CWGAN ‑GP模型中的判别器进行预训练， 选用 Wasserstein距离来度量实际分布与生成分布之间的差异； 步骤三： 使用上述生成的样本训练的故障诊断模型， 对现实中电机运行时所产生数据 进行检测， 诊断设备 是否发生故障以及故障类型， 验证数据增强的有效性。 2.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于， 对数据进行归一化是指是对原始数据的线性变换， 使结果值映射到[0， 1] 之间； 转换函数为： 其中max为样本数据的最大值， mi n为样本数据的最小值。 3.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于， 条件 式Wasserstein生成对抗网络是条件 式对抗生成网络和Wasserstein 生成对抗网络的结合， 包括生 成器和判别器； 在基于梯度惩罚优化的条件式Wasserstein生 成对抗网络模型中， 生成器与判别器的损失函数分别为： 和 其中， ||*||p表示p范数； λ为惩罚因子； 是通过在真实样本x与生成样本G(z)间的连线 上随机插值采样获得， 计算公式为： 4.如权利要求3所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于, ε服从[0， 1]上的均匀分布； G(z|c)表示生成器在条件c、 输入为z的情况下 生成的人工样本； D(*)表示判别器的输出 结果； E(*)表示计算期望 。 5.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于， 在所述步骤一中， 将相间电流， 频域电流， 磁通密度， 电磁转矩作为电机故 障的特征参量， 降低数据维度以加快样本生成模型的收敛速度。 6.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于， 在所述步骤二中， Wasserstein的值愈小， 表明两种分布间的相似程度愈 高， 用真实的电机故障数据训练生成模 型， 学习真实样本的分布， 使生成的电机数据分布趋 近于真实电机故障数据。 7.如权利要求1所述的一种基于条件式Wasserstein生成对抗网络的电机数据增强方 法， 其特征在于， 使用生成器合成的人工故障样本集对原始训练集进 行扩充， 并基于增强后权　利　要　求　书 1/2 页 2 CN 114154405 A 2的训练集对栈式自编码(stacked  autoencoder， SAE)基础分类器进行训练， 训练后保存SAE 网络参数， 最后使用训练好的SAE来 把同一类别故障分到一 起。权　利　要　求　书 2/2 页 3 CN 114154405 A 3