[发明专利]一种样本不平衡下基于数据增强的轴承故障识别方法

说明书

一种样本不平衡下基于数据增强的轴承故障识别方法。其包括原始振动数据，获得原始振动不平衡数据集；构建混合原始振动数据的生成数据样本；分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，将所有包络谱信号随机分成训练集和测试集，将训练集输入到卷积神经网络中进行训练；将训练好的参数用于测试集，输出故障诊断结果等步骤。本发明效果：提高了轴承故障诊断的准确性和工作效率，实现智能化故障识别；通过生成式对抗网络对轴承故障数据进行数据增强，很好地扩展了故障数据集；对于滚动轴承故障样本不平衡下的故障识别具有明显优势。

技术领域

本发明属于旋转机械设备故障诊断技术领域，特别是涉及一种样本不平衡下基于数据增强的轴承故障识别方法。

背景技术

滚动轴承是旋转机械中必不可少的零部件，其健康状态直接影响设备的安全稳定运行。由于工业现场环境恶劣，滚动轴承通常工作在交变载荷、高温多尘、重载的情况下，因此随着时间的推移容易受到损伤。据资料表明，旋转机械30％的故障是由轴承失效导致的，因此，对滚动轴承开展状态监测和故障诊断，保证其安全可靠地运行，对工业机械设备系统具有重要意义。

智能化、集成化的现代机械设备使得传感器采集到的轴承数据呈现海量化、复杂化的特点，一旦轴承发生故障，其振动信号往往是非平稳、非线性的时变信号，针对以上问题，采用深度学习的方法能够适应轴承振动数据的特点，在故障阶段自动提取敏感特征，表征被测信号和轴承故障之间的复杂映射关系，实现滚动轴承的智能化故障诊断。然而，智能化的故障诊断方法受限于各个故障状态样本分布的一致性。在真实的工业现场，轴承在线监测系统所采集到的故障数据普遍少于正常数据，样本有限且各个故障类别间样本分布并不平均。将智能化的诊断方法用于不平衡故障分类时，主要故障类别识别率高于次要故障，不利于轴承故障的正确诊断。

生成对抗网络可以生成高分辨率的真实感图片，可以解决样本的不平衡问题。将生成对抗网络应用于轴承故障诊断领域，可以扩充轴承故障样本，解决多数类故障和少数类故障的分类精度问题。但目前尚缺少有效的轴承故障识别方法。

发明内容

为了解决上述问题，本发明的目的在于提供一种样本不平衡下基于数据增强的轴承故障识别方法。

为了达到上述目的，本发明提供的样本不平衡下基于数据增强的轴承故障识别方法包括按顺序进行的下列步骤：

步骤1)采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集；

步骤2)将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本；

步骤3)分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数；

步骤4)将训练好的参数用于测试集，由已训练好的卷积神经网络输出轴承对应的故障类型诊断结果。

在步骤1)中，所述的采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集的方法是：

利用振动信号传感器采集f_s频率下滚动轴承在运行过程中的原始振动数据，包括原始正常振动数据和多种原始故障类型振动数据，然后从每种原始故障类型振动数据中随机选取多个数据，每个数据包含多个原始振动数据点，之后对上述所有数据进行归一化处理，最后由归一化后的单一故障类型振动数据和正常振动数据以某一比例组成一个原始振动不平衡数据样本。