CN110428004B - 数据失衡下基于深度学习的机械零部件故障诊断方法 - Google Patents

Abstract

一种数据失衡下基于深度学习的机械零部件故障诊断方法，首先从传感器获取原始振动信号，通过快速傅里叶变换得到频域数据；然后将频域数据输入到基于Wasserstein距离的生成对抗网络中，经过多轮生成器和辨别器的对抗训练，当WGAN达到纳什均衡时，从生成器中生成大量故障样本数据，再将生成的故障样本数据混合到原始故障样本数据中，平衡数据集；最后将平衡后的样本数据转化为二维数据输入到全局平均池化的卷积神经网络进行特征提取、故障分类，实现机械零部件的故障诊断。本发明利用WGAN合理解决了数据失衡问题，并采用GAPCNN进行故障分类诊断，提高了诊断精度。

Description

数据失衡下基于深度学习的机械零部件故障诊断方法

技术领域

本发明属于机械装备故障诊断技术领域，具体涉及数据失衡下基于深度学习的机械零部件故障诊断方法。

背景技术

伴随着工业4.0时代的到来，机械装备智能监管已成为新一代产业革命的助推剂，通过获取机械零部件服役大数据来监测其运行状态是当前研究的主要热点。但在实际生产过程中，由传感器采集的机械零部件运行数据，多数为正常状态数据，故障状态数据难以获取，导致采集的数据集在特征上严重失衡，而在数据集失衡情况下所训练的模型的诊断能力和泛化能力普遍下降。如何在机械大数据环境中，获得特征均衡的完整数据集，并通过数据集训练出高精度的诊断模型，实现对机械零部件精确的故障诊断具有重大的现实意义。

对于故障数据不平衡问题，目前的解决方法主要从数据采样和诊断算法两方面展开。数据采样主要采用过采样和欠采样等方法，其中过采样即大量复制少数样本中的数据，进而促使其样本数量和多数样本数量达到平衡。而欠采样技术与过采样相反，即减少多数样本的数量，使其数量和少数样本基本一致，这种人为的平衡方法，缺少理论依据，诊断结果依然不理想。算法方面，主要是对传统的算法结构进行改进或设计新的算法，主流的有分类器集成方法、代价敏感方法、特征选择方法等，虽然这些方法试图规避非均衡数据集对诊断结果的影响，在特定的领域或某种场景下具有一定作用，但效果不明显，并不能达到扩充数据特征的目的，训练的模型诊断精度不高、泛化能力不强。

发明内容

为了克服现有技术存在的缺点，本发明提供了一种数据失衡下基于深度学习的机械零部件故障诊断方法，通过将少数故障样本输入到基于Wasserstein距离的生成对抗网络(Wasserstein Generative Adversarial Networks，WGAN)进行对抗训练，当网络达到纳什均衡时，生成大量故障样本，并将其混合到真实样本中，使数据集达到平衡，再将该数据集输入到全局平均池化的卷积神经网络(Global Average Pooling ConvolutionalNeural Networks,GAPCNN)中进行训练，经过卷积神经网络的逐层自适应提取特征，实现对机械零部件故障状态的精确诊断。

为了达到上述目的，本发明采取的技术方案为：

一种数据失衡下基于深度学习的机械零部件故障诊断方法，包括以下步骤：

1)对传感器获取的机械零部件的振动信号进行等间隔地截取形成原始样本集

每个样本包含连续的2048个样本点，随后对该原始样本集进行快速傅里叶变换得到频域样本数据集

每个频域样本包含1024个样本点，即真实样本，其中，i表示机械零部件的第i类故障；

2)将步骤1)中得到的频域样本数据输入到WGAN中进行对抗训练，其中WGAN中生成器G的输入是随机生成噪声数据Z＝(z¹,z²,...,z^m)，输出是具有和真实数据分布相似的生成数据G(zⁱ)，辨别器D的输入是生成数据G(zⁱ)和真实样本

输出为生成数据G(zⁱ)和真实样本Tⁱ的联合分布，并通过Wasserstein距离计算，预测输入数据来自真实样本的概率，WGAN中生成器G有三层全连接层，隐藏层有128个神经元，辨别器D有四层全连接层，隐藏层分别由128和256个神经元；

3)创建生成器G并初始化其权重参数θ_g，然后训练生成器G，生成器的损失函数如式(1)所示，采用梯度下降法最小化损失函数V_G，使生成器G生成更真实的数据样本，参数更新方式如式(2)所示，m表示批处理的大小，η表示学习率；

4)固定生成器G，创建辨别器D并初始化辨别器D的权重参数θ_d，采用式(3)的损失函数训练辨别器D，式中加入了惩罚项

目的是让辨别器收敛，采用梯度上升的方式更新参数来最大化损失函数V_D，以提升辨别器的辨别能力，参数更新方式如式(4)所示；

其中式(3)中D(tⁱ)表示辨别器D输入真实样本的辨别结果，D(G(zⁱ))为辨别器D输入生成数据的辨别结果，λ为惩罚因子，m表示批处理大小，式(4)中η表示学习率；

5)步骤3)和步骤4)交替进行训练，每训练5次辨别器D，训练1次生成器G，经过多轮对抗之后，WGAN达到纳什均衡，从生成器G中产生大量的最优化的生成数据P(zⁱ)；

6)将步骤5)的生成数据P(zⁱ)混合到真实样本数据中，得到平衡后的数据集T＝(T¹,T²,...Tⁿ,P(z¹),P(z²),...P(zⁿ))，接着将该数据集中每个样本转换为二维数据，其转换方法如式(5)所示，即将频域信号t(X)等分成r段，每段有n个样本点，依次排列，形成r×n的矩阵，此时数据集T被转换为32×32的二维数据样本，得到数据集

其中nⁱ表示第i个二维数据样本，yⁱ表示该样本对应的标签，K表示数据集中样本的总数；

7)将步骤6)中得到的数据集

输入到GANCNN中进行模型训练，模型的损失函数如式(6)所示，式中

表示GANCNN输出的预测值；

8)测试阶段，从传感器中获取各类故障振动信号，通过步骤1)得到相应频域样本数据，再采用步骤6)的方法将频域的每个样本数据转换为二维数据集，最后将二维数据集输入到GAPCNN进行故障诊断。

本发明的有益效果为：

本发明提出了新的基于WGAN平衡数据集的方法，通过对抗训练将少量故障数据样本集扩充成含大量故障数据的样本集，达到平衡各类故障数据的目的。另外，本发明将基于GANCNN的分类方法应用于故障诊断，增强了模型的泛化能力，在不同工况下均有良好的分类精度。

附图说明

图1为本发明方法的流程图。

图2为WGAN模型结构示意图。

图3为GAPCNN模型结构示意图。

图4(a)、(b)、(c)分别为内圈故障的时域波形图、频域波形图和生成样本频域波形图。

图5(a)、(b)、(c)分别为外圈故障的时域波形图、频域波形图和生成样本频域波形图。

图6(a)、(b)、(c)分别为滚动体圈故障的时域波形图、频域波形图和生成样本频域波形图。

图7为数据集B和数据集D训练GAPCNN的诊断准确率曲线图。

图8为数据集A训练GAPCNN诊断准确率混淆矩阵。

图9为数据集B训练GAPCNN诊断准确率混淆矩阵。

图10为数据集D训练GAPCNN诊断准确率混淆矩阵。

具体实施方式

下面结合附图对本发明做进一步的详细描述。

参照图1，数据失衡下基于深度学习的机械零部件故障诊断方法，包括以下步骤：

1)对传感器获取的机械零部件的振动信号等间隔地截取形成原始样本集

每个样本包含连续的2048个样本点，随后对该原始样本集进行快速傅里叶变换得到频域样本数据集

每个频域样本包含1024个样本点，即真实样本，其中，i表示机械零部件的第i类故障；

2)将步骤1)中得到的频域样本数据输入到WGAN中进行对抗训练，图2为WGAN的结构示意图，与原生GAN相比，其解决了梯度消失和模型坍塌等问题，其中WGAN中生成器G的输入是随机生成噪声数据Z＝(z¹,z²,...,z^m)，输出是具有和真实数据分布相似的生成数据G(zⁱ)，辨别器D的输入是生成数据G(zⁱ)和真实样本

生成数据G(zⁱ)和真实样本Tⁱ的联合分布，并通过Wasserstein距离计算，预测输入数据来自真实样本的概率，WGAN中生成器G有三层全连接层，隐藏层有128个神经元，从输入到输出其依次计算公式为：

G_h1＝relu(zⁱ×w_G1+b_G1) (1)

G_out＝sigmoid(G_h1×w_G2+b_G2) (2)

其中w_G1、w_G2分别是隐藏层和输出层的权值，b_G1、b_G2为对应的偏置值，两层的激活函数分别为relu和sigmoid；

辨别器D有四层全连接层，隐藏层分别为128和256个神经元，从输入到输出其计算公式依次为：

D_h1＝relu(I×w_D1+b_D1) (3)

D_h2＝relu(D_h1×w_D2+b_D2) (4)

D_out＝D_h2×w_D3+b_D3 (5)

式中w_D1、w_D2、w_D3分别为辨别器隐藏层和输出层的权值，b_D1、b_D2、b_D3分别为其对应的偏置值，I表示辨别器的输入，即生成样本G(zⁱ)和真实样本

的混合，这里辨别器最后一层没有使用sigmoid激活函数；

3)创建生成器G并初始化其权重参数θ_g＝{w_G1,w_G2,b_G1,b_G2}，然后训练生成器G，生成器的损失函数如式(6)所示，采用梯度下降法最小化损失函数V_G，使生成器G生成更真实的数据样本，参数更新方式如式(7)所示，m表示批处理的大小，η表示学习率；

4)固定生成器G，创建辨别器D并初始化辨别器D的权重参数θ_d＝{w_D1,w_D2,w_D3,b_D1,b_D2,b_D3}，用式(8)的损失函数训练辨别器D，式中加入了惩罚项

目的是让辨别器收敛，采用梯度上升的方式更新参数来最大化损失函数V_D，以提升辨别器的辨别能力，参数更新方式如式(9)所示：

其中式(8)中D(tⁱ)表示辨别器D输入真实样本的辨别结果，D(G(zⁱ))为辨别器D输入生成样本的辨别结果，m表示批处理的大小，λ为惩罚因子，式(9)中η表示学习率；

5)步骤3)和步骤4)交替进行训练，每训练5次辨别器D，训练1次生成器G，经过多轮对抗之后，使WGAN达到纳什均衡，从生成器G中产生大量的最优化的生成数据P(zⁱ)；

6)将步骤5)的生成数据P(zⁱ)混合到真实样本数据中，得到平衡后的数据集T＝(T¹,T²,...Tⁿ,P(z¹),P(z²),...P(zⁿ))，接着将该数据集中每个样本转换为二维数据，其转换方法如式(10)所示，即将频域信号t(X)等分成r段，每段有n个样本点，依次排列，形成r×n的矩阵，此时数据集T被转换为32×32的二维数据样本，得到数据集

其中nⁱ表示第i个二维数据样本，yⁱ表示该样本对应的标签，K表示数据集中样本的总数；

7)将步骤6)中得到的数据集

输入到GANCNN中进行模型训练，模型的结构如图3所示，它由三个滤波阶段和一个分类阶段组成，卷积层C₁直接从二维样本数据中提取特征得到特征图，池化层P₁对特征图进行下采样，降低特征图维度，C₂、P₂再次执行卷积池化操作，GAP为全局平均池化层，对P₂作卷积并将每一个特征图均值化，最后将均值化的结果输入到softmax分类器中进行故障分类。为了加快GAPCNN的收敛速度，分别在卷积层之后加入了批归一化层(Batch normalization，BN)，其中第1个卷积层有32个卷积核，第2个卷积层有64个卷积核，第3个卷积层有10个卷积核，由于未采用全连接层，而是全局平均池化层，故最后一层卷积核数与故障种类数一致，卷积核大小均为5×5，前两层池化层的池化区域大小均为为2×2，采用最大池化方式，模型的损失函数如式(11)所示，式中

表示GANCNN输出的预测值：

8)测试阶段，为进一步证明本发明方法的有效性，使用西储大学(CWRU)轴承中心网站的数据集，结合本发明方法开展故障诊断。其试验台使用电火花技术分别在轴承的内圈、外圈、滚动体上布置不同程度的单点故障，故障损伤直径分别为0.18、0.36、0.54、0.71mm，分别在负载0、1、2、3hp的情况下采集各种故障状态的振动信号，采样频率为12kHz。在本实验中故障分为10类，共有三个数据集A、B、C，数据集A为未平衡数据集，主要用于训练WGAN生成高质量的故障样本数据，其中内圈故障包含100个样本，外圈故障包含200个样本，滚动体故障包含300个样本，正常样本1500个，总计3300个样本；数据集B为原始平衡数据集，主要用于训练GAPCNN进行故障分类诊断，其每个故障类别包含1500个训练样本，总计15000个数据样本；数据集C是测试集，主要用于测试模型的训练效果，每类故障有500个样本，总计5000个样本。首先对数据集A中的样本进行傅里叶变换，输入到WGAN中进行对抗训练，待WGAN达到纳什均衡时生成大量相应类别的故障样本数据，如图4、图5、图6分别展示了内圈、外圈、滚动体故障的时域波形图、频域波形图及经WGAN生成样本的频域波形图，从图中可以看出，尽管采用WGAN生成的样本并不能完全拟合原始的频域数据，但是其整体分布与原始频域数据基本吻合，说明生成的样本具有相应的表征能力。接下来分别从生成器中为每类故障生成指定数量的样本数据(内圈、外圈、滚动体分别生成1400、1300、1200个样本数据)，然后将其混合到原始样本中，至此，每类故障共有1500个混合样本数据，称为平衡数据集D。

为了验证通过WGAN解决数据集失衡问题的可行性，分别使用混合样本平衡数据集D、原始平衡数据集B、未平衡数据集A训练GAPCNN，通过比较三者在相同测试集下的分类准确率来判别本发明提出方法的有效性。为了保证实验变量的唯一性，实验采用的测试集均来自数据集C。如图7显示了三者在相同测试集下故障分类诊断的准确率，可以看出数据集D、B训练的模型在迭代次数达到300次时，准确率均达到了99％以上，数据集A训练的模型准确率仍只有90％。如图8、图9、图10分别展示了三种数据集训练模型诊断精度的混淆矩阵，从图中可以看出，除了极少数样本预测错误之外，数据集D、B训练的模型均预测正确，而数据集A训练模型的预测能力较差，多数出现预测错误情况，说明通过WGAN来平衡数据集的可行性，同时也证明了本发明GAPCNN诊断模型有很强的诊断分类能力和表征能力。

Claims (1)

1.一种数据失衡下基于深度学习的机械零部件故障诊断方法，其特征在于，包括以下步骤：

1)对传感器获取的机械零部件的振动信号进行等间隔地截取形成原始样本集

每个样本包含连续的2048个样本点，随后对该原始样本集进行快速傅里叶变换得到频域样本数据集

每个频域样本共包含1024个样本点，即真实样本，其中，j表示机械零部件的第j类故障；

2)将步骤1)中得到的频域样本数据输入到WGAN中进行对抗训练，其中WGAN中生成器G的输入是随机生成噪声数据Z＝(z¹,z²,...,z^m)，输出是具有和真实数据分布相似的生成数据G(zⁱ)，i表示第i条数据；辨别器D的输入是生成数据G(zⁱ)和真实样本

输出为生成数据G(zⁱ)和真实样本T^j的联合分布，并通过Wasserstein距离计算，预测输入数据来自真实样本的概率，WGAN中生成器G有三层全连接层，隐藏层有128个神经元，辨别器D有四层全连接层，隐藏层分别为128和256个神经元；

3)创建生成器G并初始化其权重参数θ_g，然后训练生成器G，生成器的损失函数如式(1)所示，采用梯度下降法最小化损失函数V_G，使生成器G生成更真实的数据样本，参数更新方式如式(2)所示，m表示批处理的大小，η表示学习率，

表示更新后的权重参数；

4)固定生成器G，创建辨别器D并初始化辨别器D的权重参数θ_d，用式(3)的损失函数训练辨别器D，式中加入了惩罚项

目的是让辨别器收敛，采用梯度上升的方式更新参数来最大化损失函数V_D，以提升辨别器的辨别能力，参数更新方式如式(4)所示；

其中式(3)中D(tⁱ)表示辨别器D输入真实样本的辨别结果，D(G(zⁱ))为辨别器D输入生成数据的辨别结果，λ为惩罚因子，m为批处理的大小，式(4)中η表示学习率，

表示更新后的权重参数；

5)步骤3)和步骤4)交替进行训练，每训练5次辨别器D，训练1次生成器G，经过多轮对抗之后，WGAN达到纳什均衡，从生成器G中产生大量的最优化的生成数据P(zⁱ)；

6)将步骤5)的生成数据P(zⁱ)混合到真实样本数据中，得到平衡后的数据集T＝(T¹,T²,...Tⁿ,P(z¹),P(z²),...P(zⁿ))，接着将该数据集中每个样本转换为二维数据，其转换方法如式(5)所示，即将频域信号t(X)等分成r段，每段有n个样本点，依次排列，形成r×n的矩阵，此时数据集T被转换为32×32的二维数据样本，得到数据集

其中nⁱ表示第i个二维数据样本，yⁱ表示该样本对应的标签，K表示数据集中样本的总数；

7)将步骤6)中得到的数据集

输入到GAPCNN中进行模型训练，模型的损失函数如式(6)所示，

8)测试阶段，从传感器中获取各类故障振动信号，通过步骤1)得到相应频域样本数据，再采用步骤6)的方法将频域的每个样本数据转换为二维数据集，最后将二维数据集输入到GAPCNN进行故障诊断。

Images