改进数据增强方法在轴承故障诊断中的应用.docx
版权申诉
119 浏览量
2022-06-24
14:33:52
上传
评论
收藏 1.21MB DOCX 举报
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
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
VIP享7折，此内容立减5.97元 开通VIP
