[發(fā)明專利]一種基于PDA-WGANGP的滾動軸承增強診斷方法

有效

• 申請?zhí)枺?/td>: 202110685339.X
• 申請日: 2021-06-21
• 公開（公告）號: CN113486931B
• 公開（公告）日: 2023-05-26
• 發(fā)明（設(shè)計）人: 陳嘉宇;林翠穎;張清華;葛紅娟
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06F18/214
• 分類號: G06F18/214;G06N3/0464;G06F18/241;G01M13/04
• 代理公司: 江蘇圣典律師事務(wù)所 32237
• 代理人: 徐曉鷺

本發(fā)明公開了一種基于PDA?WGANGP的滾動軸承增強診斷方法，涉及機械裝備故障數(shù)據(jù)增強領(lǐng)域。首先，利用健康數(shù)據(jù)以及實驗室條件下的故障數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練網(wǎng)絡(luò)的訓(xùn)練，利用預(yù)訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)作為判別器和Dense分類器前幾層的特征提取層；其次，引入殘差網(wǎng)絡(luò)，構(gòu)建全新的生成器，解決卷積神經(jīng)網(wǎng)絡(luò)的梯度下降問題，防止過擬合產(chǎn)生，從而利用不平衡訓(xùn)練集穩(wěn)定地生成少數(shù)類的高質(zhì)量樣本；最后，完成模型訓(xùn)練，產(chǎn)生高質(zhì)量的故障樣本，并對生成樣本進(jìn)行驗證。本發(fā)明能夠準(zhǔn)確生成高質(zhì)量的故障樣本，提升模型運行效率，解決數(shù)據(jù)不平衡問題，提高滾動軸承故障樣本生成的準(zhǔn)確率與穩(wěn)定性。

技術(shù)領(lǐng)域

本發(fā)明涉及軸承故障診斷領(lǐng)域，具體為一種基于PDA-WGANGP的滾動軸承增強診斷方法。

背景技術(shù)

作為機械系統(tǒng)和電力系統(tǒng)中最重要的部件之一，滾動軸承經(jīng)常在大負(fù)荷、高速旋轉(zhuǎn)的惡劣環(huán)境中工作，導(dǎo)致其發(fā)生故障的概率大大增加，而一旦發(fā)生故障，將會造成巨大的經(jīng)濟損失或安全事故。因此，對滾動軸承進(jìn)行健康狀態(tài)的監(jiān)控以及故障診斷研究十分必要。

基于數(shù)據(jù)驅(qū)動的故障診斷方法是當(dāng)前檢測設(shè)備健康狀況的重要手段。但在實際應(yīng)用中，滾動軸承大多處于正常工作狀態(tài)，采集到的故障數(shù)據(jù)相對較少。因此，出現(xiàn)了數(shù)據(jù)不平衡問題。所謂數(shù)據(jù)不平衡，是指采集的故障數(shù)據(jù)量遠(yuǎn)小于正常樣本，導(dǎo)致數(shù)據(jù)驅(qū)動的故障診斷方法存在模型偏差。因此，提高數(shù)據(jù)不平衡問題的預(yù)測性能，特別是對少數(shù)類別數(shù)據(jù)的預(yù)測性能具有重要意義。基于梯度懲罰與瓦瑟斯坦距離的輔助分類生成對抗網(wǎng)絡(luò)(ACWGAN-GP)為故障診斷中的數(shù)據(jù)不平衡問題提供了一種可行的解決方案。ACWGAN-GP能夠?qū)W習(xí)原始樣本的數(shù)據(jù)分布特征，生成具有相似分布的新的合成樣本，并且加入了瓦瑟斯坦距離增加了生成樣本的真實度，添加了梯度懲罰的方法以防止模型崩塌。然而，ACWGAN-GP也存在著一定的不足。首先，模型的網(wǎng)絡(luò)結(jié)構(gòu)為從頭開始訓(xùn)練的，需要更多的迭代步數(shù)才能生成出肉眼來看比較相近的故障信號樣本。雖然針對特定的任務(wù)從頭開始訓(xùn)練模型在最終會擬合出不錯的樣本，但是其需要花費更巨大的時間成本，大大縮短了算法的計算效率。其次，模型采用在判別器的最后一層加入分類層，分類的泛化能力不高，分類效果不好。而且，對于分類器，若只采用原始樣本進(jìn)行訓(xùn)練，容易導(dǎo)致過擬合問題。最后，在生成器中，隨著網(wǎng)絡(luò)層數(shù)的增加，卷積神經(jīng)網(wǎng)絡(luò)會出現(xiàn)梯度消失的現(xiàn)象，這會導(dǎo)致生成器的低精度和過擬合問題。

綜上所述，針對軸承故障數(shù)據(jù)不平衡問題，基于ACWGAN-GP的數(shù)據(jù)增強方法可以很好的彌補數(shù)據(jù)不平衡的不足，但卻也產(chǎn)生了一些新的問題，比如模型生成樣本質(zhì)量不高、訓(xùn)練效率不高、分類器泛化能力不好、生成器容易產(chǎn)生梯度消失現(xiàn)象。這將降低模型的訓(xùn)練效率，制約后續(xù)模型故障診斷的精度。因此，一種快速有效提高模型生成樣本的質(zhì)量與訓(xùn)練效率，增強分類器的泛化能力，避免生成器的梯度消失問題，實現(xiàn)更準(zhǔn)確、高效的故障樣本生成的滾動軸承增強診斷方法亟待研究。

發(fā)明內(nèi)容

為了解決上述問題，本發(fā)明公開了一種基于PDA-WGANGP的滾動軸承增強診斷方法，基于瓦瑟斯坦距離與梯度懲罰的預(yù)訓(xùn)練數(shù)據(jù)增強生成對抗網(wǎng)絡(luò)方法，利用健康數(shù)據(jù)以及實驗室條件下的故障數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練網(wǎng)絡(luò)的訓(xùn)練，利用預(yù)訓(xùn)練網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)作為判別器和Dense分類器前幾層的特征提取層，利用不平衡訓(xùn)練集穩(wěn)定地生成少數(shù)類的高質(zhì)量樣本，最后，完成模型訓(xùn)練，產(chǎn)生高質(zhì)量的故障樣本，并對生成樣本進(jìn)行驗證。

一種基于PDA-WGANGP的滾動軸承增強診斷方法，其特征在于：包括如下步驟：

步驟1，傳感器采集健康信號與故障信號數(shù)據(jù)，基于PDA方法預(yù)處理該數(shù)據(jù)并預(yù)訓(xùn)練網(wǎng)絡(luò)模型；

步驟2，將所述數(shù)據(jù)作為輸入量并調(diào)用預(yù)訓(xùn)練后的網(wǎng)絡(luò)模型，基于WGANGP方法生成樣本，評估該生成樣本的質(zhì)量以輸出高質(zhì)量的故障模型；

步驟3，將所述高質(zhì)量的故障模型作為輸入樣本訓(xùn)練故障診斷模型，將所述數(shù)據(jù)輸入訓(xùn)練后的故障診斷模型中，輸出故障診斷結(jié)果，驗證網(wǎng)絡(luò)模型的診斷能力。