CN113255078A - 一种样本不均衡条件下的轴承故障检测方法及装置 - Google Patents
一种样本不均衡条件下的轴承故障检测方法及装置 Download PDFInfo
- Publication number
- CN113255078A CN113255078A CN202110600180.7A CN202110600180A CN113255078A CN 113255078 A CN113255078 A CN 113255078A CN 202110600180 A CN202110600180 A CN 202110600180A CN 113255078 A CN113255078 A CN 113255078A
- Authority
- CN
- China
- Prior art keywords
- fault
- samples
- sample
- network
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title description 3
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000003745 diagnosis Methods 0.000 claims abstract description 40
- 238000013145 classification model Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 239000006247 magnetic powder Substances 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000005096 rolling process Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 abstract description 2
- 230000007246 mechanism Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000002405 diagnostic procedure Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012733 comparative method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种样本不均衡条件下的轴承故障诊断方法及装置,涉及轴承故障诊断领域,包括设备采集轴承故障的时域振动信号,将采集的信号并分类;将故障信号切分为多个样本,然后进行快速傅里叶变换得到频域数据,按比例制作训练集和测试集;搭建VAE‑GAN故障样本生成模型,将训练集中的少数类故障样本分别输入模型,平衡训练数据集;搭建FLCNN故障分类模型,并将步骤S3中得到的平衡训练集输入模型训练;分析实验结果。该轴承故障诊断方法及装置通过将VAE网络和GAN网络结合,同时借鉴了VAE对训练数据的特征编码能力和GAN的对抗学习机制,并且和其他方法相比,在不同不均衡比例下都能有效提高故障诊断精度。
Description
技术领域
本发明属于轴承检测领域,具体为一种样本不均衡条件下的轴承故障诊断方法及装置。
背景技术
滚动轴承是旋转机械设备中的核心部件之一,由于长时间的运行和复杂的***环境,其一旦发生损坏便会影响设备的正常工作,甚至导致事故发生。因此,精准地诊断出轴承的故障状态对于监测设备健康,及时排除安全隐患具有重大意义。传统的轴承故障诊断方法往往需要大量分布均衡的故障数据作为支撑才能获得较好的诊断效果,但在实际生产中,很少有现成的故障设备供数据采集,并且在采集故障数据时设备可能已经无法运行,导致故障类样本远少于正常类样本,产生样本分布不均衡问题。
传统故障诊断方法面对样本分布不均衡数据时具有泛化能力差、对样本量少的故障类别诊断精度低的问题。目前,解决样本不均衡问题的手段主要分为扩充样本数量和算法改进两个方面。其中扩充样本数量通常采用SMOTE过采样算法对故障样本进行随机插值;算法改进则通过增加模型对少数类样本的敏感性、惩罚度来降低诊断误差,或者运用集成学习方法训练出性能更好的分类器。但过采样算法在合成新样本的同时也可能造成过生成、过泛化或者改变原始数据分布的问题;代价敏感算法需要对代价参数进行合理设置来减缓分类模型对多数类的偏向,并且当数据不均衡比过大时,由于缺少少数类样本的特征信息,算法的提升效果有限。随着深度学习的发展,生成对抗网络(GenerativeAdversarial Networks,GAN)和变分自编码器(Variational Auto-encoder,VAE)成为近年来最具潜力的生成模型,经过研究者的不断改进,已被广泛应用于图像修复、风格迁移等领域。但是,GAN在实际应用中往往存在训练困难、容易出现梯度消失的问题;VAE生成的图像会出现边缘模糊,缺少纹理细节的问题。此外,专门用于轴承故障诊断领域样本不均衡问题的方法还较少,现有方法很多只是针对单一不均衡比,或者只适用于二分类诊断问题,应用范围有限。因此,需要探索更加先进的样本生成模型和轴承故障诊断方法。
基于以上分析,本发明提出一种样本不均衡条件下的轴承故障诊断方法。该方法将标准VAE网络和GAN网络融合,建立VAE-GAN模型来生成少数类故障样本,并利用基于焦点损失(Focal Loss,FL)的卷积神经网络(Convolutional Neural Network,CNN)作为故障分类模型,将该轴承故障诊断方法定义为VAE-GAN+FLCNN。
发明内容
本发明要解决的技术问题是针对上述现有技术轴承故障诊断方法面对样本不均衡数据时泛化能力差、对样本量少的故障类别诊断精度低的问题,而提供一种样本不均衡条件下的轴承故障诊断方法。
为解决上述技术问题,本发明采用的技术方案是:
一种样本不均衡条件下的轴承故障诊断方法,包含如下步骤:
S1,通过设备采集轴承故障的时域振动信号,对五类故障轴承进行信号收集,将采集的信号分为正常、内圈故障、外圈故障、滚动体故障和复合故障五类故障信号;
S2,将步骤S1得到的故障信号进行快速傅里叶变换得到频域数据,并按比例制作训练集和测试集,训练集和测试集的数量比例为3:1;
S3,搭建VAE-GAN故障样本生成模型,搭建VAE-GAN故障样本生成模型,将训练集中的少数类故障样本分别输入模型,生成充足的故障样本使得训练数据集达到平衡;
S4,搭建FLCNN故障分类模型,并将步骤S3中得到的平衡训练集输入模型训练;
S5,用测试集数据验证步骤S4训练好的FLCNN模型,分析实验结果。
优选的,步骤S1实验中设置采样频率为20kHz,采样时间20秒,对采集到的振动信号按照每2000点为一段进行切分,所述五类故障信号中的各种信号样本数量一致。
优选的,所述VAE-GAN故障样本生成模型包括编码网络、生成网络和判别网络,
编码网络由3个全连接层组成,其损失函数如下:
其中:μ和σ2表示编码网络输出的均值和方差,KL(·)表示计算两个数据分布之间的散度;
生成网络由5个反卷积层组成,其生成样本损失函数如下,
LG=log(1-D(G(Z)))+||Dl(X)-Dl(G(Z))||2
其中:Z表示由μ和σ2采样合成的隐变量,G(Z)表示隐变量经过生成网络生成的样本,D(·)表示判别网络将输入数据判断为真实样本的概率,Dl(·)为判别网络第l层输出的特征向量,X为输入的真实样本;
判别网络由4个卷积层和2个全连接层组成,其损失函数如下,
LD=log D(X)+log(1-D(G(Z)))
进一步优选的,所述VAE-GAN故障样本生成模型的训练步骤包括,
(1)输入N个真实样本X={x(1),x(2),L,Lx(N)};
(2)对输入样本进行编码(μ,σ2)=Encoder(X);
(3)对(μ,σ2)采样合成隐变量,Z=μ+e×σ;
(4)将隐变量输入生成网络生成样本;
(5)将生成样本和真实样本输入判别网络;
(6)用梯度下降法更新LE、LG、LD中的参数;
(7)重复步骤(1)-(6),直到满足最大训练次数,得到平衡训练集。
优选的,步骤S4中的FLCNN故障分类模型是生成的故障样本混合到原始训练数据集中使各类样本间数量均衡,然后构建基于Focal Loss的卷积神经网络分类模型,包含3个卷积模块和2个全连接层,每个卷积模块由1个卷积层和1个池化层组成,其模型的损失计算部分采用如下Focal Loss函数,
通过上述Focal Loss引入两个可调节的参数函数用以增加对少数样本的计算概率,其表达式如下,
其中:(1-pj)y为调制系数,aj和γ是超参数。
本发明还涉及一种样本不均衡条件下的轴承故障诊断装置,包括驱动电机、齿轮箱、磁粉制动器、信号采集卡和负载调节装置,齿轮箱的内部安装有轴承和齿轮,齿轮箱的两侧分别安装有驱动电机以及磁粉制动器,磁粉制动器上安装有编码器,齿轮箱上还安装有加速度传感器,加速度传感器和信号采集卡电性连接,驱动电机、信号采集卡和负载调节装置均与中控台电性连接。
本发明具有如下有益效果:本发明将VAE网络和GAN网络结合,同时借鉴了VAE对训练数据的特征编码能力和GAN的对抗学习机制,弥补各自的缺点,改善了样本生成能力,从而实现少数类故障样本的扩充;通过将Focal Loss应用到CNN分类网络,进一步提高模型对故障样本的诊断精度。通过实验台采集了5类滚动轴承故障数据进行实验,结果表明提出的方法能生成和真实故障样本近似的数据,并且和其他方法相比,在不同不均衡比例下都能有效提高故障诊断精度。
附图说明
图1是本发明一种样本不均衡条件下的轴承故障诊断方法的流程示意图;
图2是本发明一种样本不均衡条件下的轴承故障诊断方法FLCNN故障分类中FocalLoss的卷积神经网络分类模型示意图
图3是本发明一种样本不均衡条件下的轴承故障诊断方法VAE-GAN模型示意图;
图4是本发明一种样本不均衡条件下的轴承故障诊断方法不均衡比为1:10训练模型情况下4种轴承故障的真实样本和生成样本的频域图构示意图;
图5是本发明一种样本不均衡条件下的轴承故障诊断方法中VAE-GAN+FLCNN诊断方法结果可视化示意图;
图6是本发明一种样本不均衡条件下的轴承故障诊断装置的结构示意图。
图中:1、驱动电机;2、齿轮箱;3、磁粉制动器;4、编码器;5、信号采集卡;6、负载调节装置;7、加速度传感器;8、齿轮;9、轴承。
具体实施方式
下面结合附图和具体较佳实施方式对本发明作进一步详细的说明。
本发明的描述中,需要理解的是,术语“左侧”、“右侧”、“上部”、“下部”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,“第一”、“第二”等并不表示零部件的重要程度,因此不能理解为对本发明的限制。本实施例中采用的具体尺寸只是为了举例说明技术方案,并不限制本发明的保护范围。本发明一种样本不均衡条件下的轴承故障诊断方法整个流程分为实验设备采集轴承故障的时域振动信号;将第一步得到的故障信号切分为多个样本,然后进行快速傅里叶变换得到频域数据,并按比例制作训练集和测试集;搭建VAE-GAN故障样本生成模型,将训练集中的少数类故障样本分别输入模型,生成充足的故障样本使得训练数据集达到平衡;搭建FLCNN故障分类模型,并将第三步得到的平衡训练集输入模型训练;用测试集数据验证第四步训练好的FLCNN模型,分析实验结果。
采集轴承故障的时域振动信号及对故障信号预处理,本发明为了验证在样本不均衡条件下对轴承故障诊断的效果,在动力传动故障诊断实验平台上采集5种故障状态的轴承振动信号进行分析,首先将采集的信号分为正常、内圈故障、外圈故障、滚动体故障和复合故障(外圈、内圈和滚动体都存在故障)。
故障信号切分为多个样本,然后进行快速傅里叶变换得到频域数据,并按比例制作训练集和测试集。实验中设置采样频率为20kHz,采样时间20秒,对采集到的振动信号按照每2000点为一段进行切分,最终共获取16000个样本,其中每类故障有3200个样本,然后对每个样本进行快速傅里叶变换。取每类故障样本的25%作为测试集,共得到800*5个测试样本。为了模拟数据分布不均衡的训练集,在剩余75%的样本中,把除去正常状态的其他4类故障样本随机删除一定的数量,使其满足故障样本与正常样本的比例分别为1:2、1:5、1:10和1:40,数据切分的具体情况如表1所示,
表1五类故障信号的训练集和测试集分类
构建VAE-GAN模型生成故障样本。如图3所示,本发明采用VAE-GAN模型来生成数量少的故障类样本,模型主要由编码网络、生成网络和判别网络组成,其中,
编码网络由3个全连接层组成,其作用是将输入的高维真实样本映射为2个低维的特征参数,分别表示数据分布的均值和方差。编码网络的优化目标是最小化隐变量分布与标准正态分布之间的KL散度,其损失函数如下:
其中:μ和σ2表示编码网络输出的均值和方差,KL(·)表示计算两个数据分布之间的散度。
生成网络由5个反卷积层组成,除最后一层外,对每一层输出进行批标准化,激活函数采用Relu。生成网络将输入的低维隐变量逐步进行特征放大,最终生成和真实样本尺寸相同的新样本,其优化目标除了尽可能生成逼真的样本去欺骗判别网络,还包括最小化生成样本和真实样本间的特征误差,损失函数如下:
LG=log(1-D(G(Z)))+||Dl(X)-Dl(G(Z))||2
其中:Z表示由μ和σ2采样合成的隐变量,G(Z)表示隐变量经过生成网络生成的样本,D(·)表示判别网络将输入数据判断为真实样本的概率,Dl(·)为判别网络第l层输出的特征向量,X为输入的真实样本。
判别网络由4个卷积层和2个全连接层组成,每个卷积层后面加入了批标准化层,除了最后的输出层,其余层激活函数采用LeakyRelu。判别网络将输入的真实样本和生成网络生成的样本进行特征提取和降维,最后通过Sigmoid激活后输出真伪标签,其优化目标是尽可能地区分出输入的是真实样本还是生成样本,损失函数如下:
LD=log D(X)+log(1-D(G(Z)))
VAE-GAN模型将VAE的解码部分和GAN的生成器合为一体,保留了GAN网络的总体结构。训练生成网络时,利用真实样本编码后的隐变量代替GAN网络中的随机向量,并且将生成样本和真实样本输入判别网络分别得到各自的特征向量进行误差优化,能够使生成网络更快地生成逼近真实分布的样本。此外,为了增强训练稳定性,加快模型收敛,采用卷积和反卷积结构搭建判别网络和生成网络,VAE-GAN的具体训练步骤如下:
(1)输入N个真实样本X={x(1),x(2),L,Lx(N)};
(2)对输入样本进行编码(μ,σ2)=Encoder(X);
(3)对(μ,σ2)采样合成隐变量,Z=μ+e×σ;
(4)将隐变量输入生成网络生成样本;
(5)将生成样本和真实样本输入判别网络;
(6)用梯度下降法更新LE、LG、LD中的参数;
(7)重复步骤(1)-(6),直到满足最大训练次数,得到平衡训练集。
将各训练集中的故障样本分别输入构建完成的VAE-GAN模型,通过交替训练编码网络、生成网络和判别网络,学习出真实故障样本的数据分布,然后生成对应的故障样本。
FLCNN故障分类。如图2所示,将生成的故障样本混合到原始训练数据集中使各类样本间数量均衡,然后构建基于Focal Loss的卷积神经网络分类模型。
FLCNN样本分类模型包含3个卷积模块和2个全连接层,每个卷积模块由1个卷积层和1个池化层组成。其中,卷积层通过不同尺寸的卷积核与训练数据进行卷积运算来提取数据的局部特征;池化层通过下采样方式减少特征维数,加快训练速度和避免模型过度拟合;全连接层将最终提取到的特征图映射为一维向量然后送入分类器。本发明在模型的损失计算部分采用Focal Loss函数代替传统的交叉熵损失,从而增加模型对正常类样本和故障类样本的区分度。对于一个m分类问题,假设共有n个训练样本,其交叉熵损失可写为:
由于传统交叉熵损失对每个样本的预测标签进行计算叠加,在各类样本数量不一致时会降低对少数类样本的关注度。Focal Loss在交叉熵的基础上引入两个可调节的参数,对训练数据中的难分样本和少样本类别加以关注,表达式如下:
其中::(1-pj)y为调制系数,aj和γ是超参数,用来调节数据集中不同类别的样本在损失中占的权重。当某类样本数量多时,设置较小的aj值,可以降低其分类权重,反之亦然。当某类样本易分时,pj的值会偏大,(1-pj)y的值偏小,从而降低权重;当样本难分时,pj的值较小,(1-pj)y将变大,从而增加分类权重。本发明设置aj值为1,γ值为2。
实验结果分析。为了展示本发明采用的方法能够有效生成故障样本并提高对各类别样本的诊断准确率,从两个方面进行实验分析。
(1)VAE-GAN样本生成效果分析,将训练集中的真实样本分别输入到模型中进行训练,通过生成网络生成一定数量的故障样本。图4展示了不均衡比为1:10情况下4种轴承故障的真实样本和生成样本的频域图,图中,实线代表真实故障样本,虚线代表VAE-GAN模型生成的样本。可以看出,在每类轴承故障仅有240个训练样本的情况下,生成的样本与真实样本的轮廓基本一致,频谱图中的主要频率特征能够被很好地生成。
(2)VAE-GAN+FLCNN故障诊断效果分析,在一般的分类问题中,通常采用准确率作为模型的评价指标,但这无法判断具体某一类别的分类情况,尤其是当正常类样本远远多于故障类样本时,即使将所有样本都识别为正常状态,仍然能够获得很高的准确率。因此,本发明选择更能反映各种故障类型分类情况的召回率(Recall)和F1得分(F1-score)作为实验的评价指标。Recall也被称为查全率,能够反映每类故障被分类正确的比重;F1-score反映的是精确率(Precision)和Recall的综合水平,其值越高说明分类模型越稳健。
实验选取SMOTE+CNN方法、VAE+CNN方法和GAN+CNN方法作为对比,SMOTE方法是通过在真实样本间进行随机插值来扩充数据,VAE即标准自编码网络,GAN即标准生成对抗网络,实验结果的Recall和F1-score值如表2所示
表2不同故障诊断方法的Recall、F1-score对比
从表2可以看出,在不同的训练数据集下,SMOTE+CNN方法的故障诊断效果均是最差的,使用训练集D作为训练数据时,Recall值和F1-score值只有0.69和0.67,即通过简单插值方法增加训练样本数量并不能使模型学到更多的特征信息,提高对测试样本的泛化性;GAN+CNN方法的诊断效果在三种对比方法中表现最好,在使用训练集A作为训练数据时Recall值和F1-score值达到0.92和0.94,但当使用训练集D作为训练数据时效果仍然不理想,Recall值和F1-score值分别只有0.73和0.72;而提出的VAE-GAN+FLCNN方法在使用训练集D作为训练数据时两个指标仍然能达到0.86和0.84,相较于其他三种方法有了明显的提升,可以对各类样本进行准确诊断。
如图1所示,图中描述整个VAE-GAN+FLCNN方法的诊断流程。
如图5所示,为了更直观地展示VAE-GAN+FLCNN方法的故障诊断效果,对最终的分类结果进行可视化,从图中可以看出,不同类别样本之间清晰可分,仅有少量外圈故障样本被分类错误,证明了本发明对样本不均衡轴承故障诊断的有效性。
如图6所示,基于上述方法发明的构思,本发明还提供一种样本不均衡条件下的轴承故障诊断装置,包括中控台、驱动电机1、齿轮箱2、磁粉制动器3、信号采集卡5和负载调节装置6,齿轮箱2的内部安装有轴承9和齿轮8,齿轮箱2的两侧分别安装有驱动电机1以及磁粉制动器3,磁粉制动器3上安装有编码器4,齿轮箱2上还安装有加速度传感器7,加速度传感器7和信号采集卡5电性连接,驱动电机1、信号采集卡5和负载调节装置6均与中控台电性连接。
在执行步骤S1中的信号采集时,该设备通过将轴承9置于齿轮箱2中,轴承9在传动时,通过加速度传感器7将故障信号振动信号输送给信号采集卡5,并将信号输送到终端上进行分类,齿轮箱2内部由驱动电机1供能,利用磁粉制动器3进行制动。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节,在本发明的技术构思范围内,可以对本发明的技术方案进行多种等同变换,这些等同变换均属于本发明的保护范围。
Claims (6)
1.一种样本不均衡条件下的轴承故障诊断方法,其特征在于,包含如下步骤:
S1,通过设备采集轴承故障的时域振动信号,对五类故障轴承进行信号收集,将采集的信号分为正常、内圈故障、外圈故障、滚动体故障和复合故障五类故障信号;
S2,将步骤S1得到的故障信号进行快速傅里叶变换得到频域数据,并按比例制作训练集和测试集,训练集和测试集的数量比例为3:1;
S3,搭建VAE-GAN故障样本生成模型,搭建VAE-GAN故障样本生成模型,将训练集中的少数类故障样本分别输入模型,生成充足的故障样本使得训练数据集达到平衡;
S4,搭建FLCNN故障分类模型,并将步骤S3中得到的平衡训练集输入模型训练;
S5,用测试集数据验证步骤S4训练好的FLCNN模型,分析实验结果。
2.根据权利要求1所述的一种样本不均衡条件下的轴承故障诊断方法,其特征在于:步骤S2中设置采样频率为20kHz,采样时间20秒,对采集到的振动信号按照每2000点为一段进行切分,所述五类故障信号中的各种信号样本数量一致。
3.根据权利要求1所述的一种样本不均衡条件下的轴承故障诊断方法,其特征在于:所述VAE-GAN故障样本生成模型包括编码网络、生成网络和判别网络,
编码网络由3个全连接层组成,其损失函数如下:
其中:μ和σ2表示编码网络输出的均值和方差,KL(·)表示计算两个数据分布之间的散度;
生成网络由5个反卷积层组成,其生成样本损失函数如下,
LG=log(1-D(G(Z)))+||Dl(X)-Dl(G(Z))||2
其中:Z表示由μ和σ2采样合成的隐变量,G(Z)表示隐变量经过生成网络生成的样本,D(·)表示判别网络将输入数据判断为真实样本的概率,Dl(·)为判别网络第l层输出的特征向量,X为输入的真实样本;
判别网络由4个卷积层和2个全连接层组成,其损失函数如下,
LD=log D(X)+log(1-D(G(Z)))
4.根据权利要求3所述的一种样本不均衡条件下的轴承故障诊断方法,其特征在于:所述VAE-GAN故障样本生成模型的训练步骤包括,
(1)输入N个真实样本X={x(1),x(2),L,Lx(N)};
(2)对输入样本进行编码(μ,σ2)=Encoder(X);
(3)对(μ,σ2)采样合成隐变量,Z=μ+e×σ;
(4)将隐变量输入生成网络生成样本;
(5)将生成样本和真实样本输入判别网络;
(6)用梯度下降法更新LE、LG、LD中的参数;
(7)重复步骤(1)-(6),直到满足最大训练次数,得到平衡训练集。
6.一种样本不均衡条件下的轴承故障诊断装置,其特征在于,包括驱动电机、齿轮箱、磁粉制动器、信号采集卡和负载调节装置,齿轮箱的内部安装有轴承和齿轮,齿轮箱的两侧分别安装有驱动电机以及磁粉制动器,磁粉制动器上安装有编码器,齿轮箱上还安装有加速度传感器,加速度传感器和信号采集卡电性连接,驱动电机、信号采集卡和负载调节装置均与中控台电性连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600180.7A CN113255078A (zh) | 2021-05-31 | 2021-05-31 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600180.7A CN113255078A (zh) | 2021-05-31 | 2021-05-31 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255078A true CN113255078A (zh) | 2021-08-13 |
Family
ID=77183475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110600180.7A Pending CN113255078A (zh) | 2021-05-31 | 2021-05-31 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255078A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672870A (zh) * | 2021-08-20 | 2021-11-19 | 中国南方电网有限责任公司超高压输电公司柳州局 | 故障事件概率估算方法、装置、计算机设备和存储介质 |
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN113935460A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN113935406A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
CN114021455A (zh) * | 2021-11-03 | 2022-02-08 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
CN114563186A (zh) * | 2022-01-21 | 2022-05-31 | 苏州大学 | 滚动轴承类不平衡故障诊断方法及*** |
CN114894480A (zh) * | 2022-03-29 | 2022-08-12 | 昆明理工大学 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
CN114970735A (zh) * | 2022-06-09 | 2022-08-30 | 哈尔滨工业大学 | 基于正弦修正焦点损失的燃机类不平衡诊断方法及*** |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及*** |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、***及介质 |
CN116146515A (zh) * | 2022-11-15 | 2023-05-23 | 安徽智质工程技术有限公司 | 一种水泥厂离心风机设备异常检测方法 |
CN116318845A (zh) * | 2023-02-09 | 2023-06-23 | 国家计算机网络与信息安全管理中心甘肃分中心 | 一种正负样本比例不平衡条件下的dga域名检测方法 |
CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
CN116681991A (zh) * | 2023-07-24 | 2023-09-01 | 北京航空航天大学 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
-
2021
- 2021-05-31 CN CN202110600180.7A patent/CN113255078A/zh active Pending
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113672870A (zh) * | 2021-08-20 | 2021-11-19 | 中国南方电网有限责任公司超高压输电公司柳州局 | 故障事件概率估算方法、装置、计算机设备和存储介质 |
CN113780652A (zh) * | 2021-09-07 | 2021-12-10 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN113780652B (zh) * | 2021-09-07 | 2024-05-14 | 中国石油化工股份有限公司 | 一种油井示功图故障诊断预测方法及装置 |
CN113935460A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN113935406A (zh) * | 2021-09-27 | 2022-01-14 | 苏州大学 | 基于对抗流模型的机械设备无监督故障诊断方法 |
WO2023044979A1 (zh) * | 2021-09-27 | 2023-03-30 | 苏州大学 | 类不平衡数据集下的机械故障智能诊断方法 |
CN114298267A (zh) * | 2021-10-13 | 2022-04-08 | 华南理工大学 | 一种基于双向注意力生成对抗网络的故障诊断方法及应用 |
CN114021455A (zh) * | 2021-11-03 | 2022-02-08 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
CN114021455B (zh) * | 2021-11-03 | 2024-04-30 | 中国计量大学上虞高等研究院有限公司 | 改进dragan及数据驱动相结合的冷水机组故障检测与诊断方法 |
CN114169396B (zh) * | 2021-11-05 | 2022-09-20 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
CN114169396A (zh) * | 2021-11-05 | 2022-03-11 | 华中科技大学 | 用于飞行器故障诊断的训练数据生成模型构建方法及应用 |
CN114563186A (zh) * | 2022-01-21 | 2022-05-31 | 苏州大学 | 滚动轴承类不平衡故障诊断方法及*** |
CN114563186B (zh) * | 2022-01-21 | 2023-01-06 | 苏州大学 | 滚动轴承类不平衡故障诊断方法及*** |
CN114894480A (zh) * | 2022-03-29 | 2022-08-12 | 昆明理工大学 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
CN114894480B (zh) * | 2022-03-29 | 2023-08-29 | 昆明理工大学 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
CN114993677A (zh) * | 2022-05-11 | 2022-09-02 | 山东大学 | 不平衡小样本数据的滚动轴承故障诊断方法及*** |
CN114970735A (zh) * | 2022-06-09 | 2022-08-30 | 哈尔滨工业大学 | 基于正弦修正焦点损失的燃机类不平衡诊断方法及*** |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116146515A (zh) * | 2022-11-15 | 2023-05-23 | 安徽智质工程技术有限公司 | 一种水泥厂离心风机设备异常检测方法 |
CN116049719A (zh) * | 2023-01-09 | 2023-05-02 | 长沙理工大学 | 基于迁移式生成模型的故障检测和估计方法、***及介质 |
CN116318845A (zh) * | 2023-02-09 | 2023-06-23 | 国家计算机网络与信息安全管理中心甘肃分中心 | 一种正负样本比例不平衡条件下的dga域名检测方法 |
CN116625686A (zh) * | 2023-05-04 | 2023-08-22 | 中国航发沈阳发动机研究所 | 一种航空发动机轴承故障在线诊断方法 |
CN116681991A (zh) * | 2023-07-24 | 2023-09-01 | 北京航空航天大学 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
CN116681991B (zh) * | 2023-07-24 | 2023-10-31 | 北京航空航天大学 | 一种基于时间序列二维编码的紧组合导航故障检测方法 |
CN117171681A (zh) * | 2023-11-03 | 2023-12-05 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
CN117171681B (zh) * | 2023-11-03 | 2024-01-30 | 贵州大学 | 非平衡小样本下的无人机舵面智能故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255078A (zh) | 一种样本不均衡条件下的轴承故障检测方法及装置 | |
CN106980822B (zh) | 一种基于选择性集成学习的旋转机械故障诊断方法 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN109858352A (zh) | 一种基于压缩感知与改进多尺度网络的故障诊断方法 | |
CN110297479B (zh) | 一种基于卷积神经网络信息融合的水电机组故障诊断方法 | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN109211546B (zh) | 基于降噪自动编码器及增量学习的旋转机械故障诊断方法 | |
CN112765890B (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN110824281A (zh) | 一种同步调相机在线监测及故障诊断方法和*** | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及*** | |
CN106271881A (zh) | 一种基于SAEs和K‑means的刀具破损监测方法 | |
CN112329520B (zh) | 基于生成对抗学习的货车轴承故障识别方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN112541510A (zh) | 基于多通道时间序列数据的智能故障诊断方法 | |
CN110991471A (zh) | 一种高速列车牵引***故障诊断方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN114997211A (zh) | 一种基于改进对抗网络和注意力机制的跨工况故障诊断方法 | |
CN112160877A (zh) | 一种基于sfa和cnn的风机轴承故障诊断方法 | |
CN113324758B (zh) | 一种基于半监督对抗网络的轴承故障诊断方法 | |
CN114048787A (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |