没有合适的资源?快使用搜索试试~ 我知道了~
改进数据增强方法在轴承故障诊断中的应用.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 119 浏览量
2022-06-24
14:33:52
上传
评论
收藏 1.21MB DOCX 举报
温馨提示
试读
11页
改进数据增强方法在轴承故障诊断中的应用.docx
资源推荐
资源详情
资源评论
引言
电机轴承作为旋转机械设备最重要的部件之一,在工业生产中常持续工作于高负荷、变工况、高温以
及高压环境,因此极易发生故障。相关统计表明
[
]
,电机故障的 由轴承故障引起。当电机发生
故障时,不仅会影响生产效率,造成经济损失,而且甚至会造成伤亡事故。为保障电机正常安全运行 ,
电机故障诊断起到了重要作用。
电机轴承的故障诊断方法主要包括基于模型、基于经验以及基于数据驱动 种
[
]
。由于传感器技术的
发展,基于数据驱动的故障诊断方法已经成为近年来研究的热门领域
[
]
。数据驱动方法无需建立复杂
精确的数学模型,也无需对信号进行繁琐的分解分析。当输入新的信号数据时,数据驱动法能够准确
地判断是否出现故障以及所属的故障类型。目前,数据驱动方法在电机故障诊断领域取得了诸多成果
[
]
。
数据驱动方法需要充足的历史数据才能训练模型。由于故障样本往往存在分布不均衡的现象,样本数
量较多的故障类型的分类准确率会相对较高,而样本数量较低的故障类型的分类准确率往往较低,甚
至无法分类
[
]
。在实际的工业生产中,由于电机一般都工作在正常状态,往往很难获得足够数量且
分布均衡的电机故障数据。当数据不足时,会出现过拟合现象且分类效果远远低于预期。
针对数据样本不平衡问题,学者们提出对训练样本进行数据增强。传统的数据增强包括在原始信号中
添加高斯噪声、掩蔽噪声、信号平移、振幅偏移以及时间拉伸等方法
[
]
。这些基于合成过采样的方法
大多是通过数据差值生成样本,在反映实际图像的潜在分布上还存在不足,并不能完全学习到数据分
布的特征。此外,传统的数据增强方法可能会造成过拟合现象,即传统的数据增强方法可以增加样本
数量,但是无法自动学习到样本的分布特征。
生成式对抗网络(,)
[
]
是解决数据分布不均衡问题的主
流方法,被广泛应用于言语情感感知、计算机视觉以及超分辨率图像处理等多个领域
[
]
。很多学者
致力于研究用改进 生成高质量的故障样本以缓解故障样本数量不足的问题,并取得诸多成果。
文献[]将 和堆叠去噪自动编码器( !", ")相结合进
一步优化判别器提取行星齿轮箱有效故障特征的能力,从而提高了生成样本质量和故障诊断能力;文
献[]针对标签含噪声干扰的分布不均衡的风机齿轮箱故障样本,提出一种改进的标签噪声鲁棒辅
助分类生成式对抗网络结构(#$%$!!&'(), %()以提
升生成样本质量及在实际运行状态下多类别样本的分类准确率;文献[ ]在 ( 的判别器中加
入了注意力机制,提高了判别器提取样本特征的能力,解决了电压暂降数据样本分布不均衡问题;文
献[ ]用 条 件 生 成对 抗 神 经网 络( ( ) 生 成电 力 系 统中 暂态 失稳 样 本 , 并用 极 限 学习 机
("#*)分类器筛选出 + 值最高的生成样本。该方法能够学习原始数据分布特征从而提高暂
态稳定评估的正确率。
上述提到的方法在电机轴承数据增强方面取得了一定成果,但是这些方法往往基于一维振动信号或者
通过全连接层或者一维卷积操作产生新的数据样本,因此存在训练过程不稳定、训练时间过长或者训
练过程繁琐等问题。
基于此 ,本 文提出一种改进 ( 数据 增强方法,对 ( 进行改进,融合了压 缩激励机制
(,!-"&, "),对不同通道的重要性进行建模,为较重要的通道赋予较大权
重,从而提高 的样本生成质量,最终达到提高故障诊断准确率的效果。本文将改进的 (
和原有的 ( 进行对比,算例结果验证了模型的有效性和优越性。
生成式对抗网络
生成式对抗网络()是基于博弈论中的零和博弈理论而提出,由生成器(, )和
判别器( +, )两部分构成。 结构如图 所示,输入随机噪声 z,由生成器 生
成样本 G(z),之后生成样本 G(z)和真实样本 x 都输入到判别器 中,由判别器判别图片是真实
样本还是生成样本,并输出判别结果。
图 1GAN 结构
Fig. 1Structure of GAN
下载./原图 0/高精图 0/低精图
在训练过程中,生成器 尽可能地捕获原始数据的分布特征,并生成相似的样本欺骗判别器 ,使判
别器无法区分真实样本和生成样本。生成器 为了欺骗判别器,必须提升生成样本质量。而判别器为
了更准确地区分原始数据和生成数据,不断提高自身判别能力。在生成器和判别器的博弈过程中,生
成与原始样本分布越来越接近的样本,最终达到数据增强效果。 的目标函数如式()所示。
++& 12 345"&672&489 2&4:;"-67-2-4
892< 22-444:++& 12 345"&672&489 2&4:;"-67-2-4892 22-444:
其中,x 表示真实样本
,
р
data
(x)表示真实样本分布,z 表示输入的噪声,р
z
(z)表示噪声的数据分
布。D(G(z))表示生成样本输入判别器后的判别结果。D(x)表示真实样本输入判别器后的判
别结果。
辅助分类生成式对抗网络
辅 助 分 类 生 成 式 对 抗 网 络 ( !&' () ,
() 在 的基础上,将类别标签作为输入并指导样本生成,提高了生成样本质量。此外 ,
( 的判别器添加了辅助分类器结构,即判别器不仅可以对输入样本进行真假判别,还可以输出
样本的故障类别。在 ( 系统中,将样本的标签 c6р
和随机噪声 z 融合并作为输入,由生成器
生成样本 X
fak e
5G(c, z)。判别器不仅对输入样本进行真假判别,还可以通过辅助分类器对输入样
本所属故障类别进行判别,即判别器输出 P(S0X), P(C0X)5D(X)。( 的目标函数如式
()、式()所示。
#5"897250=4:;"89725>0=>4:#5"897250=4:
;"89725>0=>4:
#5"8972(50=4:;"8972(50=>4:#5"8972(50=4:;"8972(50
=>4:
其中,L
s
为判别样本是来自真实样本还是生成样本的几率, L
c
表示判断样本所属分类判断正确的几率,
X
real
、X
fake
分别表示真实样本和生成器 生成的样本,P(S5real0 X
real
)表示真实样本 X
rea l
被判断为
真实样本分布 р
data
(x)的概率,P(S5fake0 X
fake
)表示生成样本被判断为生成样本分布 р
z
(z)的
概率,P(C5c0X
real
)和 P(C5c0X
fake
)分别表示判别器对真实样本和生成样本的故障类型标签判断
准确的概率。
判别器 的目标在于既要准确判别样本是否是真实样本,又要分辨样本所属故障类别。因此,在训练
过程中判别器尽量使得 L
s
; L
c
达到最大。
而生成器 在训练过程中,要尽可能生成与真实样本分布相同的样本,使得判别器无法判别是否为真
实样本。因此在训练过程中 G 尽量使得 L
c
L
s
最大。( 将样本标签 c 作为输入,指导样本生成,
提高了生成样本质量。( 的判别器增加了辅助分类结构,使得判别器在分别真假样本的同时,
能够对样本进行精准分类。因此, ( 的生成样本质量相比 更高,并且训练过程更稳定 。
( 的系统结构如图 所示。
图 2ACGAN 结构
Fig. 2Structure of ACGAN
下载./原图 0/高精图 0/低精图
改进 (
作为数据增强的主流方法仍存在生成样本质量不高、训练过程不稳定以及容易出现模式坍塌等问
题
[
]
。为进一步提升 的性能,生成高质量的样本,本文将压缩激励机制(")融合到 (
结构中
[
]
,通过显式建模通道之间的相互依赖性,自适应地重新校准通道特性响应。
首先,对于输入 X,通过变换 F
tr
将 X 映射到特征 U,其中 ?@%ABCB(;然后对 U 进行压缩操作
F
sq
,即跨空间维度(HBW)聚合要素图,产生尺寸为( BBC)的通道特征 z
c
;再进行拓张操作
F
ex
。F
ex
采用自选通道机制的形式,将通道特征 z
c
作为输入,生成每个信道调制权重的集合 s
c
。将这
些权重应用于特征映射 U 以生成 " 块的输出,可以直接输入到网络的后续层。" 结构如图 所示。
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3649
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功