1.一种数据增强方法，其特征在于，包括如下步骤：

步骤1.对历史故障轴承数据集中的数据进行预处理，即将历史故障轴承数据集中的数据从一维时序信号转换为二维图像，将转换后的二维图像作为真实轴承数据；

步骤2.搭建并训练用于故障轴承数据集扩充的TTUR‑WDCGAN‑GP模型，将真实轴承数据输入训练好的TTUR‑WDCGAN‑GP模型中进行数据增强，以扩充故障轴承数据集；

其中TTUR‑WDCGAN‑GP模型搭建过程如下：在DCGAN模型的基础上，将其生成器中加入卷积网络以防止过拟合的发生，其判别器中加入卷积网络并取消Sigmoid函数，将空间金字塔池化SPP加入判别器，选择Wasserstein距离作为损失函数，以增强模型训练稳定性，得到WDCGAN生成模型；然后用双时间尺度更新规则TTUR与梯度惩罚GP对WDCGAN模型优化改进得到TTUR‑WDCGAN‑GP模型，即将WDCGAN判别器中的损失函数加入梯度惩罚项，并设置判别器与生成器为不同的学习率，其中判别器的学习率设置大于生成器的学习率；

所述步骤2中，TTUR‑WDCGAN‑GP模型的判别器，其网络结构为输入层、4个卷积层、3个最大池化层、SPP层、BN层、展平层、Dropout层、全连接层以及输出层；

定义4个卷积层分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层；定义3个最大池化层分别为第一最大池化层、第二最大池化层、第三最大池化层；

信号在TTUR‑WDCGAN‑GP模型的判别器中的处理流程如下：

判别器的输入为大小(64,64,1)的图像，在第一卷积层提取图像特征，使用最大池化降低信息冗杂，之后使用BN层将每个batch的数据归一化到均值为0，方差为1的分布，再使用LeakyReLU激活函数激活；将第四卷积层后加入SPP层，设置金字塔层数为3，将输入图像选用4×4、2×2和1×1的尺度进行划分，对每个尺度下的图像进行池化操作，得到固定长度的特征向量，并将每个尺度下得到的特征进行拼接，使模型能够捕获到图片的多尺度特征；拼接后的固定长度特征经过Dropout层后输入到展平层中进行展平操作。

2.根据权利要求1所述的数据增强方法，其特征在于，

所述步骤2中，TTUR‑WDCGAN‑GP模型的生成器，其网络结构包括输入层、全连接层、reshape层、4个反卷积层、BN层、Dropout层以及输出层；

定义4个反卷积层分别为第一反卷积层、第二反卷积层、第三反卷积层、第四反卷积层；

信号在TTUR‑WDCGAN‑GP模型的生成器中的处理流程如下：

生成器的输入是一个100维随机噪声向量，经过reshape层重塑大小为4×4×1028，并输入到4个反卷积层中；在第一反卷积层中进行上采样，并用BN层用于将每个batch的数据归一化到均值为0，方差为1的分布，再使用RelU激活函数激活；依次经过4个反卷积层后的输出并在Dropout层的作用下随机将部分神经元设置为0输出以提高泛化能力；最后输出层选用TanH激活函数，并将输入放大为(64,64,1)的图像作为生成器的输出。

3.根据权利要求1所述的数据增强方法，其特征在于，

所述步骤2中，使用Wasserstein距离代替原始网络中的JS距离，并加入GP项来有效的防止模式崩塌和过拟合的发生，构建新的生成对抗网络模型目标函数L′：其中 为判别器的损失函数，

为惩罚梯度项；D(x)表示判别器对不同x的输出结果， 中x表示从生成分布Pg中随机取样， 中x表示从真实分布Pr中随机取样，中x表示从范围分布 中随机取样，Pr与Pg分别为真实数

据与生成数据的概率分布，真实样本xr符合分布pr，生成样本xg符合分布pg；

为xr与xg的范围里随机取值， 符合分布为 的样本空间：

其中ε表示随机加权数。

4.根据权利要求3所述的数据增强方法，其特征在于，

所述步骤2中，TTUR‑WDCGAN‑GP模型的训练过程如下：

初始化生成器G和判别器D的参数，取M个真实样本xr，使其满足分布Pr，取随机噪声zi满足分布Pz，使用生成器G生成样本xg，并使xg←Gω(zi)，并从[0,1]中取随机加权数ε，加权平均生成样本为其中zi表示随机噪声输入；xg←Gω(zi)表示生成器通过噪声输入生成真实样本，表示在xr与xg的范围里随机取值，ε表示随机加权数；

将真实样本、生成样本和噪声样本分别输入判别器D，得到真实样本的判别结果D(x)、假样本的判别结果D(G(z))；计算真实样本与假样本之间的Wasserstein距离作为判别器的损失函数：在真实样本和假样本之间进行插值采样，得到一批插值样本，计算插值样本的梯度惩罚作为判别器的正则项：将判别器的损失函数和梯度惩罚相加，得到最终的判别器损失函数：

使用Adam优化算法让下列公式最大化，更新判别器参数θ：

其中，θ←Adam(Lθ,a,β1,β2)；

Lθ表示判别器损失函数，M表示小批量样本数量，λ表示梯度惩罚系数， 表示某点的梯度，a表示判别器Dθ的学习率，β1、β2表示动量参数；

如果达到设定的判别器迭代次数，则继续更新生成器参数；固定判别器D的参数，更新生成器G的参数；使用生成器G生成一批假样本，并将其输入判别器D，得到假样本的判别结果D(G(z))；使用Adam优化算法使下列公式最小化，更新生成器参数ω：ω←ω‑Adam(Lω,b,β1,β2)；

其中，Lω表示生成器损失函数，D(Gω(zi))表示判别器判别生成数据的结果，b表示生成器Gω的学习率，β1、β2表示动量参数；直到达到设定的迭代训练次数，输出Gω(zi)。

5.一种用于实现如上述权利要求1所述的数据增强方法的数据增强系统，其特征在于，所述数据增强系统包括如下模块：预处理模块，用于对历史故障轴承数据集中的数据进行预处理，即将历史故障轴承数据集中的数据从一维时序信号转换为二维图像，将转换后的二维图像作为真实轴承数据；

数据增强模块，用于搭建并训练用于故障轴承数据集扩充的TTUR‑WDCGAN‑GP模型，将真实轴承数据输入训练好的TTUR‑WDCGAN‑GP模型中进行数据增强，以扩充故障轴承数据集；

其中TTUR‑WDCGAN‑GP模型的搭建过程如下：在DCGAN模型的基础上，将其生成器中加入卷积网络以防止过拟合的发生，其判别器中加入卷积网络并取消Sigmoid函数，将空间金字塔池化SPP加入判别器，选择Wasserstein距离作为损失函数，以增强模型训练稳定性，得到WDCGAN生成模型；然后用双时间尺度更新规则TTUR与梯度惩罚GP对WDCGAN模型优化改进得到TTUR‑WDCGAN‑GP模型，即将WDCGAN判别器中的损失函数加入梯度惩罚项，并设置判别器与生成器为不同的学习率，其中判别器的学习率设置大于生成器的学习率。

6.一种轴承故障分类方法，其特征在于，包括如下步骤：

步骤1.对历史故障轴承数据集中的数据进行预处理，即将历史故障轴承数据集中的数据从一维时序信号转换为二维图像，将转换后的二维图像作为真实轴承数据；

步骤2.搭建并训练用于故障轴承数据集扩充的TTUR‑WDCGAN‑GP模型，将真实轴承数据输入训练好的TTUR‑WDCGAN‑GP模型中进行数据增强，以扩充故障轴承数据集；

其中TTUR‑WDCGAN‑GP模型的搭建过程如下：在DCGAN模型的基础上，将其生成器中加入卷积网络以防止过拟合的发生，其判别器中加入卷积网络并取消Sigmoid函数，将空间金字塔池化SPP加入判别器，选择Wasserstein距离作为损失函数，以增强模型训练稳定性，得到WDCGAN生成模型；然后用双时间尺度更新规则TTUR与梯度惩罚GP对WDCGAN模型优化改进得到TTUR‑WDCGAN‑GP模型，即将WDCGAN判别器中的损失函数加入梯度惩罚项，并设置判别器与生成器为不同的学习率，其中判别器的学习率设置大于生成器的学习率；

TTUR‑WDCGAN‑GP模型的判别器，其网络结构为输入层、4个卷积层、3个最大池化层、SPP层、BN层、展平层、Dropout层、全连接层以及输出层；

定义4个卷积层分别为第一卷积层、第二卷积层、第三卷积层、第四卷积层；定义3个最大池化层分别为第一最大池化层、第二最大池化层、第三最大池化层；

信号在TTUR‑WDCGAN‑GP模型的判别器中的处理流程如下：

判别器的输入为大小(64,64,1)的图像，在第一卷积层提取图像特征，使用最大池化降低信息冗杂，之后使用BN层将每个batch的数据归一化到均值为0，方差为1的分布，再使用LeakyReLU激活函数激活；将第四卷积层后加入SPP层，设置金字塔层数为3，将输入图像选用4×4、2×2和1×1的尺度进行划分，对每个尺度下的图像进行池化操作，得到固定长度的特征向量，并将每个尺度下得到的特征进行拼接，使模型能够捕获到图片的多尺度特征；拼接后的固定长度特征经过Dropout层后输入到展平层中进行展平操作；

步骤3.将TTUR‑WDCGAN‑GP模型数据增强后的生成数据与真实轴承数据混合并输入到二维卷积神经网络中进行训练，然后对轴承故障进行分类。

7.一种用于实现如上述权利要求6所述的轴承故障分类方法的轴承故障分类系统，其特征在于，所述轴承故障分类系统包括如下模块：预处理模块，用于对历史故障轴承数据集中的数据进行预处理，即将历史故障轴承数据集中的数据从一维时序信号转换为二维图像，将转换后的二维图像作为真实轴承数据；

数据增强模块，用于搭建并训练用于故障轴承数据集扩充的TTUR‑WDCGAN‑GP模型，将真实轴承数据输入训练好的TTUR‑WDCGAN‑GP模型中进行数据增强，以扩充故障轴承数据集；

其中TTUR‑WDCGAN‑GP模型的搭建过程如下：在DCGAN模型的基础上，将其生成器中加入卷积网络以防止过拟合的发生，其判别器中加入卷积网络并取消Sigmoid函数，将空间金字塔池化SPP加入判别器，选择Wasserstein距离作为损失函数，以增强模型训练稳定性，得到WDCGAN生成模型；然后用双时间尺度更新规则TTUR与梯度惩罚GP对WDCGAN模型优化改进得到TTUR‑WDCGAN‑GP模型，即将WDCGAN判别器中的损失函数加入梯度惩罚项，并设置判别器与生成器为不同的学习率，其中判别器的学习率设置大于生成器的学习率；

以及轴承故障分类模块，用于将TTUR‑WDCGAN‑GP模型数据增强后的生成数据与真实轴承数据混合并输入到二维卷积神经网络中进行训练，然后对轴承故障进行分类。