[發(fā)明專利]一種基于機理仿真與數(shù)據(jù)驅(qū)動相融合的故障診斷方法

在審

• 申請?zhí)枺?/td>: 202210354885.X
• 申請日: 2022-03-28
• 公開（公告）號: CN114782741A
• 公開（公告）日: 2022-07-22
• 發(fā)明（設(shè)計）人: 王華慶;佟興偉;宋瀏陽;韓長坤
• 申請（專利權(quán)）人: 北京化工大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06K9/62;G06V10/82;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 北京思海天達知識產(chǎn)權(quán)代理有限公司 11203
• 代理人: 劉萍

本發(fā)明公開了一種基于機理仿真與數(shù)據(jù)驅(qū)動相融合的故障診斷方法，針對故障診斷中的小樣本和不均衡問題，研究故障機理構(gòu)造故障仿真公式模擬故障數(shù)據(jù)同時利用生成對抗網(wǎng)絡(luò)生成相似數(shù)據(jù)進而擴充并平衡樣本量并匹配卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障分類。包括以下步驟：(1)選取軸承加速度信號中的驅(qū)動端數(shù)據(jù)作為實驗分析數(shù)據(jù)；(2)數(shù)據(jù)預(yù)處理時將各類數(shù)據(jù)進行截斷作為一個樣本；(3)設(shè)置訓(xùn)練集和測試集并模擬不均衡數(shù)據(jù)集；(4)研究故障機理，根據(jù)故障機理構(gòu)建仿真公式，參考真實試驗臺參數(shù)并結(jié)合時域圖與包絡(luò)譜進行仿真公式中的參數(shù)確定；(5)利用生成對抗網(wǎng)絡(luò)對三種故障狀態(tài)的信號進行生成并與原始樣本混合至均衡數(shù)據(jù)集；(6)生成樣本質(zhì)量評價。

技術(shù)領(lǐng)域

本發(fā)明涉及一種故障診斷方法，特別涉及故障機理仿真和生成對抗網(wǎng)絡(luò)相融合以及卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法，屬于軸承故障診斷技術(shù)領(lǐng)域。

背景技術(shù)

滾動軸承是大型旋轉(zhuǎn)機械中的重要結(jié)構(gòu)組成及部件，具有工作條件復(fù)雜、環(huán)境異常惡劣等特點，這就導(dǎo)致故障經(jīng)常出現(xiàn)，從而導(dǎo)致更為嚴重的后果。所以對滾動軸承的故障診斷具有不可缺少的現(xiàn)實意義，同時也具有一定的難度。常用的故障診斷方式大致包括兩類，其中一類主要采用傳統(tǒng)的機器學(xué)習方法，比如支持向量機(SVM)、決策樹、樸素貝葉斯等。另外一類是采用深度學(xué)習理論模型的智能診斷及處理方法，比如深度置信網(wǎng)絡(luò)(DBN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)以及卷積神經(jīng)網(wǎng)絡(luò)(CNN)等。其中，卷積神經(jīng)網(wǎng)絡(luò)因其可以實現(xiàn)數(shù)據(jù)降維且具有強大的自動提取特征的能力得到了大量的關(guān)注。

卷積神經(jīng)網(wǎng)絡(luò)以及其他數(shù)據(jù)驅(qū)動的方法在訓(xùn)練模型時通常需要大量的過程運行樣本數(shù)據(jù)，然而，在實際生產(chǎn)中，故障信號較難獲取從而導(dǎo)致樣本不充足和不均衡等問題。因此針對小樣本以及不均衡樣本的研究變得越來越重要，常規(guī)的診斷方法主要分為兩類：第一類方法是從提升網(wǎng)絡(luò)結(jié)構(gòu)性能和改進算法的角度，提高相應(yīng)的網(wǎng)絡(luò)對不均衡類樣本的敏感性，從而提高故障分類的準確率。第二類方法重點關(guān)注數(shù)據(jù)層面，通過某些數(shù)據(jù)預(yù)處理方法，將不均衡數(shù)據(jù)集進行數(shù)據(jù)增強，從而擴充至均衡數(shù)據(jù)集再進行分類。常用到的預(yù)處理的方法主要有過采樣和下采樣。生成對抗網(wǎng)絡(luò)主要是利用生成器學(xué)習數(shù)據(jù)的分布，進而生成與真實數(shù)據(jù)相似但是不同的數(shù)據(jù)，從而實現(xiàn)數(shù)據(jù)增強。盡管生成對抗網(wǎng)絡(luò)的歷史較短，但它已經(jīng)被應(yīng)用于解決不均衡問題。此外，若能研究故障機理通過仿真模擬得到故障的仿真信號，近而實現(xiàn)不均衡樣本甚至缺失數(shù)據(jù)情況下的數(shù)據(jù)增強，也可以解決不均衡問題。基于數(shù)據(jù)驅(qū)動的故障診斷方法一般是對數(shù)據(jù)加以處理和分析，獲得挖掘數(shù)據(jù)知識的能力，但是并未考慮內(nèi)部結(jié)構(gòu)和機理的信息知識，因此對于故障的分析和解釋相對比較困難，而且模型的泛化能力不強。因此針對不均衡樣本甚至缺失數(shù)據(jù)的情況，若能將故障機理與數(shù)據(jù)驅(qū)動相結(jié)合，完成故障數(shù)據(jù)的增強，進而實現(xiàn)故障機理與特征提取的映射，從而實現(xiàn)不均衡樣本下，甚至故障數(shù)據(jù)缺失時較高的故障診斷準確率，具有非常重要的現(xiàn)實意義，也是一個比較困難的問題，目前還沒有特別明顯的突破。

針對上述問題，本文提出一種基于機理仿真與數(shù)據(jù)驅(qū)動相融合的故障診斷方法，利用生成對抗網(wǎng)絡(luò)直接生成一維時域信號而不是生成二維圖片，可以降低信號中信息的丟失，進而完成數(shù)據(jù)集的擴充，實現(xiàn)數(shù)據(jù)的增強。此外提出通過研究故障機理進而構(gòu)造仿真公式去模擬仿真故障數(shù)據(jù)，同時又通過GAN進行相似樣本生成進而擴充數(shù)據(jù)集。最終通過堆疊三個卷積層和池化層組成卷積神經(jīng)網(wǎng)絡(luò)進行故障分類識別，在不均衡數(shù)據(jù)集甚至在沒有訓(xùn)練故障數(shù)據(jù)的場景下實現(xiàn)較高的故障分類準確率。

發(fā)明內(nèi)容

本發(fā)明的目的在于解決軸承故障小樣本、不均衡數(shù)據(jù)集甚至故障數(shù)據(jù)缺失場景下無法進行故障分類或者分類準確率較低的問題。

為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為一種基于機理仿真與數(shù)據(jù)驅(qū)動相融合的生成對抗網(wǎng)絡(luò)樣本生成方法及深度學(xué)習診斷方法。通過研究機理仿真故障公式生成故障數(shù)據(jù)同時又通過生成對抗網(wǎng)絡(luò)進行相似樣本生成進而實現(xiàn)數(shù)據(jù)集的增強。同時通過卷積神經(jīng)網(wǎng)絡(luò)充分提取樣本數(shù)據(jù)中的隱藏信息，從而有效的提升分類準確率。

該方法主要包括三部分內(nèi)容，分別是生成對抗網(wǎng)絡(luò)生成相似樣本，基于故障機理仿真故障信號，卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)故障分類。