[发明专利]一种基于不平衡数据集的轴承故障诊断方法及装置

权利要求书

1.一种基于不平衡数据集的轴承故障诊断方法，其特征在于：包括：

获得原始轴承振动信号，构建不同不平衡比的不平衡数据集；

利用变分自编码器对不同不平衡比的不平衡数据集分别进行训练，获得各自的变分自编码器模型及变分自编码器模型生成的生成数据；

将变分自编码器模型生成的生成数据添加到对应的不平衡数据集中，构建新的数据集，作为平衡后的数据集；

利用一维多尺度卷积神经网络来诊断平衡后的数据集，获得分类结果；

所述原始轴承振动信号包括正常振动信号、0.18mm长度的内圈故障、0.18mm长度的外圈故障、0.18mm的滚动体故障、0.36mm长度的内圈故障、0.36mm长度的外圈故障、0.36mm的滚动体故障、0.54mm长度的内圈故障、0.54mm长度的外圈故障、0.54mm的滚动体故障；

所述不平衡数据集包括多数类的正常样本和少数类的故障样本；

所述不平衡比R采用如下方式构建：

R=Dmin/Dmax

其中，Dmin表示故障样本数量，Dmax表示正常样本数量；

所述不平衡比R取值为1/7或1/10；

所述利用变分自编码器对不同不平衡比的不平衡数据集分别进行训练，获得各自的变分自编码器模型及变分自编码器模型生成的生成数据，包括：

依次对不平衡数据集中的每一个少数类按照如下步骤处理：将不平衡数据集中的少数类输入至变分自编码器的编码器拟合出少数类信号的概率分布的均值和方差；其次从标准的高斯分布中随机采样计算隐变量；再次把隐变量作为变分自编码器的解码器的输入，获得输出后更新变分自编码器模型；训练结束，获得变分自编码器模型及与少数类相似的生成数据；其中，训练的终止条件为最大迭代次数；

所述一维多尺度卷积神经网络包括若干卷积层、最大池化层和全连接层；输入数据先经过BN层进行归一化，然后依次通过4个一维卷积层和1个全连接层，每个一维卷积层后都跟有一个池化层；第一个卷积层由4个长度不同的卷积核组成，经过第一个卷积层后生成4个特征向量经过池化分别输入到第二个卷积层；第二个卷积层结构和第一个卷积层类似，第二个卷积层输出的4个特征向量经池化后拼接成一个特征向量然后输入到第三个卷积层，第三个卷积层和第四个卷积层是只有一个卷积核的一维卷积层，把经过这两层卷积输出的特征向量展开成一维特征向量，然后输入全连接层进行分类。