[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

说明书

本发明公开了一种基于不平衡数据集的轴承故障诊断方法及装置。本发明在研究了不平衡程度对故障诊断性能的影响的基础上提出了本发明方法，使研究更贴切于实际应用；具体的：本发明采用的是变分自编码器来生成新的样本数据，比现流行的生成对抗网络更加的稳定且更适合一维数据的生成，适合于轴承振动数据的生成；再进一步地，本发明采用的是一维多尺度卷积神经网络，相比于普通的卷积神经网络，一维多尺度卷积神经网络更适合处理一维数据，能够有效的提取一维数据中的特征信息能够取得较好的分类结果；同时本发明采用的评价指标能够更加直观的显示出分类效果。

技术领域

本发明涉及一种基于不平衡数据集的轴承故障诊断方法及装置，属于轴承故障诊断领域。

背景技术

滚动轴承广泛应用于各种机械设备，是旋转机械设备中的重要部件并且起着十分重要的作用。据文献描述工程机械的故障有百分之六十的故障与滚动轴承的故障有关，滚动轴承的故障常常会造成巨大的经济损失甚至人员伤亡。为了防止安全事故和保障人民财产安全，滚动轴承的故障诊断显得尤为重要。

以数据驱动的滚动轴承故障诊断的方法有很多。传统的机器学习方法如贝叶斯分类器、决策树和人工神经网络等，但是机器学习方法无法适应现在大数据时代。目前深度学习十分流行，深度学习能够自动的提取数据特征，减少人工的干扰，所以近年来许多深度学习的方法应用在滚动轴承的故障诊断上。

基于深度学习的方法在轴承故障诊断领域取得了不错的效果，但是大多数方法效果好的前提是滚动轴承的数据是平衡的，即每个类别的样本数据数量是相等的或者相差不大。面对复杂的实际工况，设备通常是正常工作或者经常出现某几种故障，这就导致在实际诊断过程种要面对样本数据不平衡这一问题。样本数据不平衡会导致诊断正确率低下或者不具有实际意义。

目前有许多针对不平衡数据集的方法，主要分为两大类：一类是算法层面，针对数据集不平衡的特点针对性改变算法结构。另一类是减小数据集的不平衡度，达到较好的诊断正确率。

发明内容

本发明提供了一种基于不平衡数据集的轴承故障诊断方法及装置，以用于实现轴承故障诊断。

本发明的技术方案是：一种基于不平衡数据集的轴承故障诊断方法，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的中，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：