买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于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获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119475070B 。

龙图腾网通过国家知识产权局官网在2026-01-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411751581.2，技术领域涉及：G06F18/2413；该发明授权一种基于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是由许焕卫;赵泽伟;肖许源;汪忠来;张炜设计研发完成，并于2024-12-02向国家知识产权局提交的专利申请。

本一种基于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在说明书摘要公布了：本发明公开了一种基于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。

本发明授权一种基于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在权利要求书中公布了：1.一种基于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，其特征在于，包括以下步骤： A.获取不同工况下发动机轴间轴承正常状态和不同故障状态下的振动信号样本，划分得到训练数据集和测试数据集； B.改进并建立Cycle-GAN模型；模型包括两个生成器Gst和Gts、两个鉴别器Ds和Dt和两个分类器Cs和Ct，具体为： B1.改进Cycle-GAN模型的生成器由编码器、转换器和解码器组成，其中编码器由三层卷积层堆叠而成，转换器由依次连接的三个残差块组成，在每个残差块中，使用膨胀卷积替换第一层卷积层，解码器由三层反卷积层组成； B2.所述改进Cycle-GAN模型的鉴别器由四个卷积块和一层卷积层组成，每个卷积块由卷积层、实例归一化层和带泄露的整流线性单元激活函数组成； B3.所述改进Cycle-GAN模型的分类器由卷积层和全连接层依次连接而成； C.利用改进的Cycle-GAN模型完成已知条件下振动信号向未知条件下振动信号的转换，在训练过程中，两个生成器Gst和Gts的映射方向相反，需要通过正向转换和反向转换实现信号从源域到目标域的转换，并用新的转换信号对分类器进行训练，具体包括以下分步骤： C1.首先通过生成器Gst将源域信号xs转换为目标域转换信号此时生成器Gst学习从源域S到目标域T的映射S→T，再利用鉴别器Dt区分转换信号和目标域真实信号xt，通过Gst和Dt的对抗训练使得Gst生成的转换信号的数据分布与目标域信号xt高度一致，最后生成器Gts再将转换为源域中的信号此时生成器Gts学习从目标域到源域的映射T→S，源域信号xs的正向转换应使正向循环成立； C2.首先通过生成器Gts将目标域信号xt转换为源域转换信号此时生成器Gts学习从目标域到源域的映射T→S，再利用鉴别器Ds区分转换信号和源域真实信号xs，通过Gts和Ds的对抗训练使得Gts生成的转换信号的数据分布与源域信号xs高度一致，最后生成器Gst再将转换为目标域中的信号此时生成器Gst学习从源域到目标域的映射S→T，目标域信号xt的反向转换应使反向循环成立； C3.通过步骤C1和C2实现信号从已知条件向未知条件的转换，在确保两个生成器产生的样本不相互矛盾的同时提升了转换信号与真实信号相似性，在训练过程中，目标域分类器Ct被用于对目标域转换信号和目标域真实信号xt进行分类，以进一步保证目标域分类器Ct能够正确分类未知条件下的真实信号； 完成转换后通过新的转换信号对Cycle-GAN模型的分类器进行训练； D.利用步骤C中训练完成的Cycle-GAN模型对实际轴承振动信号进行诊断得到结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。