CN113591625A - 一种不平衡样本重要性加权的齿轮箱故障诊断方法 - Google Patents
一种不平衡样本重要性加权的齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN113591625A CN113591625A CN202110804219.7A CN202110804219A CN113591625A CN 113591625 A CN113591625 A CN 113591625A CN 202110804219 A CN202110804219 A CN 202110804219A CN 113591625 A CN113591625 A CN 113591625A
- Authority
- CN
- China
- Prior art keywords
- sample
- feature extraction
- extraction module
- health state
- feature
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种不平衡样本重要性加权的齿轮箱故障诊断方法,首先获取齿轮箱在不同健康状态下的振动信号;其次构建特征提取模块自动获取监测样本的深层故障特征;再次构建加权分类模块,在分类时引入自适应权重对各类样本赋予不同的惩罚因子;最后利用构建考虑样本重要性损失函数以及自适应权重损失函数,交替优化特征提取模块参数与自适应权重;本发明所得智能诊断模型由特征提取模块和加权分类模块构成,考虑到了样本重要性,能够有效克服训练样本不平衡对诊断的不利影响,可以直接利用齿轮箱原始振动信号完成健康状态的识别,实现了不平衡训练数据集情境下齿轮箱的健康状态智能诊断。
Description
技术领域
本发明属于齿轮箱故障诊断技术领域,具体涉及一种不平衡样本重要性加权的齿轮箱故障诊断方法。
背景技术
齿轮箱是复杂机械装备的关键组成之一,一旦发生故障将极大地制约机械设备的正常运行,甚至危及人生安全,保障其健康运行显得尤为重要。随着人工智能在故障诊断领域的深入应用,从监测数据中获取可反映齿轮箱运行状态的有效信息,进而对其健康状态进行识别有了新的方法。借助人工智能算法建立齿轮箱智能故障诊断模型成为齿轮箱安全运行保障的重要手段。
在工程实际中,齿轮箱在运行过程中长期处于正常状态,导致正常状态下的监测数据居多,故障状态下的监测数据少于正常状态;此外,齿轮箱在运行过程中各故障发生的频率亦存在差异。在这两个因素的共同作用下,监测数据中各类健康状态样本数量差异明显,最终形成了不平衡监测数据集。如果使用不平衡数据集训练诊断模型,所得到的诊断模型将难以从少数类样本中学***衡监测数据集的影响,现有齿轮箱智能故障诊断方法难以准确地识别少数类健康状态样本,导致整体诊断精度不高。
发明内容
为了克服上述现有技术的缺陷,本发明的目的在于提出一种不平衡样本重要性加权的齿轮箱故障诊断方法,提高了监测数据分布不平衡条件下智能诊断模型诊断精度。
为达到上述目的,本发明采取的技术方案为:
一种不平衡样本重要性加权的齿轮箱故障诊断方法,包括以下步骤:
步骤1:获取齿轮箱各健康状态下的振动信号样本集总共包括R种健康状态,其中,为第m个振动信号样本,由N个振动数据点组成,ym∈{1,2,3,...R}表示第m个振动信号样本的健康状态,M为振动信号样本总数;
步骤3:构建加权分类模块,引入自适应权重δ,得到加权Softmax分类器,对特征提取模块的输出进行分类,得到样本xm属于第r种健康状态的预测概率为:
式中:p(·)为加权分类函数,W和b分别为权重矩阵和偏置项,δ为可自适应变化的权重;
步骤4:依次对于特征提取模块中待优化参数θFeature和加权分类模块中自适应权重δ进行优化;
步骤5:重复依次执行步骤2至步骤4迭代优化由特征提取模块与加权分类模块构成的智能诊断模型;
步骤6:将齿轮箱振动信号样本输入至训练好的智能诊断模型中,加权分类模块输出所对应的健康状态即为预测健康状态。
所述的步骤2的具体为:
2.1)构建特征单元,在一个特征单元中依次为卷积层、批量归一化层、线性整流函数激活层和最大池化层;
2.2)堆叠k个特征单元;
2.3)在堆叠的特征单元之后,经过平铺层将提取的深度故障特征平铺成一维向量,在经过全连接层进行降维,得到特征提取模块输出。
所述的步骤4具体为:
4.1)基于Adam优化算法,更新特征提取模块中参数θFeature,以最小化如下目标函数:
式中:I1为G-mean指标,ar为第r种健康状态的分类准确率,I2为F-score指标,Ir为第r种健康状态的F-measure评价指标;
4.3)基于Adam优化算法,更新自适应权重δ,以最小化如下损失函数:
本发明的有益效果为:
本发明提出了一种不平衡样本重要性加权的齿轮箱故障诊断方法,该方法构建了特征提取模块以及考虑样本重要性的损失函数,并在预测分类时引入可自适应变化的权重向量,利用该权重向量对各类健康状态样本赋予不同的惩罚因子,以提高模型对少数类样本故障信息的获取能力,从而实现对少数类健康状态样本的准确识别。本发明克服了因各类数据样本之间数量不平衡导致模型诊断精度不高的问题,最终提高了模型在不平衡数据集下的诊断精度。
附图说明
图1为本发明的流程图。
图2为本发明智能诊断模型示意图。
具体实施方式
下面结合实施例和附图对本发明做进一步详细描述。
参照图1,一种不平衡样本重要性加权的齿轮箱故障诊断方法,包括以下步骤:
步骤1:获取齿轮箱各健康状态下的振动信号样本集总共包括R种健康状态,其中,为第m个振动信号样本,由N个振动数据点组成,ym∈{1,2,3,...R}表示第m个振动信号样本的健康状态,M为振动信号样本总数;
具体步骤如下:
2.1)构建特征单元,在一个特征单元中依次为卷积层、批量归一化层、线性整流函数激活层和最大池化层;
2.2)堆叠k个特征单元;
2.3)在堆叠的特征单元之后,经过平铺层将提取的深度故障特征平铺成一维向量,在经过全连接层进行降维,得到特征提取模块输出;
式中:p(·)为加权分类函数,W和b分别为权重矩阵和偏置项,δ为可自适应变化的权重;
步骤4:参照图2,依次对于特征提取模块中待优化参数θFeature和加权分类模块中自适应权重δ进行优化,具体为:
4.1)基于Adam优化算法,更新特征提取模块中参数θFeature,以最小化如下目标函数,该目标函数考虑到了样本的重要性:
式中:I1为G-mean指标,ar为第r种健康状态的分类准确率,I2为F-score指标,Ir为第r种健康状态的F-measure评价指标;
4.3)基于Adam优化算法,更新自适应权重δ,以最小化如下损失函数:
步骤5:重复依次执行步骤2至步骤4迭代优化由特征提取模块与加权分类模块构成的智能诊断模型;
步骤6:将齿轮箱振动信号样本输入至训练好的智能诊断模型中,加权分类模块输出所对应的健康状态即为预测健康状态。
实施例:以机械设备中的行星齿轮箱为案例,基于混合齿轮传动实验数据,对本发明方法的有效性进行验证。
获取混合齿轮传动实验的振动信号样本组成1个不平衡数据集如表1所示,包含8种健康状态:正常状态、定轴齿轮故障、太阳轮故障、行星轮故障、定轴齿轮与太阳轮复合故障、定轴齿轮与行星轮复合故障、太阳轮与行星轮复合故障以及定轴齿轮、太阳轮与行星轮复合故障。振动信号样本在电机转速为1800r/min,负载为0.3A的工况下获取,在测试过程中,振动信号的采样频率为12800Hz,测试结束后,每种健康状态的样本数为1000个,每个样本中包含1920个数据点。为模拟样本不平衡情境,将训练数据中正常样本、单一故障样本、两点复合故障样本、多点复合故障样本分别按照50:30:15:10的比例设置得到不平衡训练集。
表1不平衡振动信号样本集
基于表1所示数据集分别构建诊断任务验证本发明方法的可行性,除诊断精度外,选用G-mean与F-score两种不平衡分类评价指标量化本发明方法在诊断任务上的效果。为排除随机因素干扰,实验重复20次,计算诊断结果的统计值,如表2所示,本发明方法在数据集上取得了98.35%的诊断精度,此外,本发明方法获得的G-mean与F-score指标分别为0.981与0.969,指标均接近于1,说明本发明方法的诊断准确性高,验证了本发明方法在解决不平衡样本诊断问题中的可行性。
表2不同方法的诊断效果对比
另选取两种诊断方法对比本发明方法的效果。方法1为基于卷积神经网络诊断方法,未考虑样本重要程度,并且在训练时使用不加权的Softmax损失函数,最终在数据集上的诊断精度仅为84.68%,G-mean与F-score分别为0.871和0.807,明显低于本发明方法。方法2结合SMOTE和Tomek links的混合重采样算法对数据集进行重采样,以消除各类故障样本不平衡状况,这种方法在数据集上的诊断精度为90.19%,G-mean与F-score分别为0.902和0.899,明显低于本发明方法。
通过对比本发明与其余两种诊断方法,表明本发明有效地克服了样本不平衡对诊断的影响,提高了诊断模型的诊断精度。
Claims (3)
1.一种不平衡样本重要性加权的齿轮箱故障诊断方法,其特征在于,包括以下步骤:
步骤1:获取齿轮箱各健康状态下的振动信号样本集总共包括R种健康状态,其中,为第m个振动信号样本,由N个振动数据点组成,ym∈{1,2,3,...R}表示第m个振动信号样本的健康状态,M为振动信号样本总数;
步骤3:构建加权分类模块,引入自适应权重δ,得到加权Softmax分类器,对特征提取模块的输出进行分类,得到样本xm属于第r种健康状态的预测概率为:
式中:p(·)为加权分类函数,W和b分别为权重矩阵和偏置项,δ为可自适应变化的权重;
步骤4:依次对于特征提取模块中待优化参数θFeature和加权分类模块中自适应权重δ进行优化;
步骤5:重复依次执行步骤2至步骤4迭代优化由特征提取模块与加权分类模块构成的智能诊断模型;
步骤6:将齿轮箱振动信号样本输入至训练好的智能诊断模型中,加权分类模块输出所对应的健康状态即为预测健康状态。
2.根据权利要求1所述的一种不平衡样本重要性加权的齿轮箱故障诊断方法,其特征在于,所述的步骤2的具体步骤为:
2.1)构建特征单元,在一个特征单元中依次为卷积层、批量归一化层、线性整流函数激活层和最大池化层;
2.2)堆叠k个特征单元;
2.3)在堆叠的特征单元之后,经过平铺层将提取的深度故障特征平铺成一维向量,在经过全连接层进行降维,得到特征提取模块输出。
3.根据权利要求1所述的一种不平衡样本重要性加权的齿轮箱故障诊断方法,其特征在于,所述的步骤4具体为:
4.1)基于Adam优化算法,更新特征提取模块中参数θFeature,以最小化如下目标函数:
式中:I1为G-mean指标,ar为第r种健康状态的分类准确率,I2为F-score指标,Ir为第r种健康状态的F-measure评价指标;
4.3)基于Adam优化算法,更新自适应权重δ,以最小化如下损失函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804219.7A CN113591625B (zh) | 2021-07-16 | 2021-07-16 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804219.7A CN113591625B (zh) | 2021-07-16 | 2021-07-16 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591625A true CN113591625A (zh) | 2021-11-02 |
CN113591625B CN113591625B (zh) | 2022-12-09 |
Family
ID=78247741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804219.7A Active CN113591625B (zh) | 2021-07-16 | 2021-07-16 | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591625B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115452373A (zh) * | 2022-09-23 | 2022-12-09 | 西安交通大学 | 一种基于事件相机的滚动轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN111337256A (zh) * | 2020-03-27 | 2020-06-26 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
-
2021
- 2021-07-16 CN CN202110804219.7A patent/CN113591625B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059601A (zh) * | 2019-04-10 | 2019-07-26 | 西安交通大学 | 一种多特征提取与融合的智能故障诊断方法 |
CN111337256A (zh) * | 2020-03-27 | 2020-06-26 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
CN112101085A (zh) * | 2020-07-22 | 2020-12-18 | 西安交通大学 | 一种基于重要性加权域对抗自适应的智能故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115452373A (zh) * | 2022-09-23 | 2022-12-09 | 西安交通大学 | 一种基于事件相机的滚动轴承故障诊断方法 |
CN115452373B (zh) * | 2022-09-23 | 2024-05-28 | 西安交通大学 | 一种基于事件相机的滚动轴承故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113591625B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111046945B (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN109918752B (zh) | 基于迁移卷积神经网络的机械故障诊断方法、设备及介质 | |
CN109635677B (zh) | 基于多标签分类卷积神经网络的复合故障诊断方法及装置 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
CN112417954B (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及*** | |
CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及*** | |
CN110132554A (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN112257528B (zh) | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 | |
CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控***故障预测方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和*** | |
CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
CN113591638A (zh) | 一种基于卷积胶囊网络的行星齿轮箱故障诊断方法 | |
CN113591625B (zh) | 一种不平衡样本重要性加权的齿轮箱故障诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN115545070A (zh) | 基于综合平衡网络的类不平衡轴承智能诊断方法 | |
CN112461543A (zh) | 一种基于多分类支持向量数据描述的旋转机械故障诊断方法 | |
CN113221946B (zh) | 一种机械设备故障种类的诊断方法 | |
CN110490218B (zh) | 一种基于两级dbn的滚动轴承故障自学习方法 | |
CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断*** | |
CN113176093B (zh) | 基于isca-sdae的滚动轴承故障诊断方法及*** | |
CN114925724A (zh) | 一种机械设备故障诊断方法、装置及存储介质 | |
Guan et al. | Fault diagnosis of rolling bearing with imbalanced small sample scenarios |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |