[发明专利]一种基于生成数据融合的轴承不平衡故障诊断方法

说明书

本发明涉及一种基于生成数据融合的轴承不平衡故障诊断方法，包括：数据预处理：获取轴承振动时序信号数据集，所述数据集包括带有标签的少数类故障样本和多数类正常样本，对少数类故障样本进行归一化处理；基于Wasserstein生成式对抗网络对少数类故障样本进行一次数据扩充；基于聚类的少数类样本合成技术进行少数类故障样本的二次数据扩充；对一次和二次数据扩充的样本按照相同样本数量进行拼接融合，并与多数类正常样本汇总得到融合数据集；利用融合数据集训练基于注意力机制的卷积神经网络诊断模型；利用训练完成的卷积神经网络诊断模型进行故障诊断。与现有技术相比，本发明在数据集不平衡率较高的情况下依然具有可靠的准确率。

技术领域

本发明涉及故障诊断技术领域，尤其是涉及一种基于生成数据融合的轴承不平衡故障诊断方法。

背景技术

故障诊断对于识别机械设备的健康状态具有重要意义。轴承作为旋转机械的核心部件，是许多工业器械中必不可少的一环。近几年有大量的工业事故都是由于轴承零件的损坏而导致，因此能够准确及时的评估检测轴承的运行健康状况是非常重要的。

随着机器学习和深度学习方法的出现，数据驱动的故障诊断方法成为近年来的研究热点，如支持向量机、模糊逻辑、神经网络等方法已广泛应用于故障诊断。采用深度学习模型可以将各种轴承数据集的诊断精度提高到非常高的水平。然而，各种深度学习模型通常需要大量的数据样本进行训练，如果训练样本具有不平衡的类别分布，则其性能将受到一定的影响。在实际的工业背景下，轴承通常在正常条件下运行，可以提供的故障样本数量远小于正常运行的轴承样本，这通常会导致数据驱动模型诊断方法的准确性降低。

发明内容

本发明的目的就是为了提供一种基于生成数据融合的轴承不平衡故障诊断方法，提高样本数据不平衡情况下的故障诊断准确率。

本发明的目的可以通过以下技术方案来实现：

一种基于生成数据融合的轴承不平衡故障诊断方法，包括以下步骤：

数据预处理：基于滑窗切割和拼接处理获取轴承振动时序信号数据集，所述数据集包括带有标签的少数类故障样本和多数类正常样本，对带有标签的少数类故障样本进行归一化处理；

基于Wasserstein生成式对抗网络对归一化后的少数类故障样本进行一次数据扩充；

基于聚类的少数类样本合成技术进行少数类故障样本的二次数据扩充；

对一次数据扩充的样本和二次数据扩充的样本按照相同样本数量进行拼接融合，并与多数类正常样本汇总得到融合数据集；

模型训练：利用融合数据集训练基于注意力机制的卷积神经网络诊断模型；

故障诊断：利用训练完成的卷积神经网络诊断模型进行故障诊断。

所述归一化处理为：

其中，a代表数据集中的振动信号点，A是a的集合，a’表示归一后的振动信号点，归一化处理通过最大最小标准化将原始信号值映射到[0，1]区间内。

所述Wasserstein生成式对抗网络由生成器和判别器组成，其中生成器由一层线性变换层以及四层转置卷积层组成，判别器则由四层卷积层以及一层全连接层组成，每一层的激活函数均为Relu函数；Wasserstein生成对抗网络使用Wasserstein距离度量两个分布之间的差异，采用梯度惩罚机制优化判别器的损失函数，其中，所述Wasserstein距离为：