CN114894480A - 一种基于不平衡数据集的轴承故障诊断方法及装置 - Google Patents
一种基于不平衡数据集的轴承故障诊断方法及装置 Download PDFInfo
- Publication number
- CN114894480A CN114894480A CN202210322372.0A CN202210322372A CN114894480A CN 114894480 A CN114894480 A CN 114894480A CN 202210322372 A CN202210322372 A CN 202210322372A CN 114894480 A CN114894480 A CN 114894480A
- Authority
- CN
- China
- Prior art keywords
- data set
- encoder
- variational self
- unbalanced
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 27
- 238000005096 rolling process Methods 0.000 claims description 20
- 238000011176 pooling Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
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。
Description
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：
依次对不平衡数据集中的每一个少数类按照如下步骤处理：将不平衡数据集中的少数类输入至变分自编码器的编码器拟合出少数类信号的概率分布的均值和方差；其次从标准的高斯分布中随机采样计算隐变量；再次把隐变量作为变分自编码器的解码器的输入，获得输出后更新变分自编码器模型；训练结束，获得变分自编码器模型及与少数类相似的生成数据；其中，训练的终止条件为最大迭代次数。
所述一维多尺度卷积神经网络包括若干卷积层、最大池化层和全连接层；输入数据先经过BN层进行归一化，然后依次通过4个一维卷积层和1个全连接层，每个一维卷积层后都跟有一个池化层；第一个卷积层由4个长度不同的卷积核组成，经过第一个卷积层后生成4个特征向量经过池化分别输入到第二个卷积层；第二个卷积层结构和第一个卷积层类似，第二个卷积层输出的4个特征向量经池化后拼接成一个特征向量然后输入到第三个卷积层，第三个卷积层和第四个卷积层是只有一个卷积核的一维卷积层，把经过这两层卷积输出的特征向量展开成一维特征向量，然后输入全连接层进行分类。
一种基于不平衡数据集的轴承故障诊断装置，包括：
第一构建模块，用于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；
第一获得模块，用于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；
第二构建模块，用于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；
第二获得模块，用于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。
一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
本发明的有益效果是：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。
附图说明
图1是本发明的流程图；
图2是本发明原始数据集中故障直径为0.18mm故障位置为滚动体故障样本数据的时域波形图和频域波形图；
图3是本发明变分自编码器的结构图；
图4是本发明中变分自编码器生成的生成数据样本，故障直径为0.18mm故障位置为滚动体故障样本数据的时域波形图和频域波形图；
图5是本发明中一维多尺度卷积神经网络的结构图；
图6是本发明表2中部分诊断结果对应的混淆矩阵一(对应表2原始不平衡数据集下的诊断结果的混淆矩阵)；
图7是本发明表2中部分诊断结果对应的混淆矩阵二(对应表2加入1170个平衡样本数据诊断结果的混淆矩阵)；
图8是本发明表2中部分诊断结果对应的混淆矩阵三(对应表2下加入3402个平衡样本数据诊断结果的混淆矩阵)。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-8所示，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。
进一步地，可以设置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。
进一步地，可以设置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。
进一步地，可以设置所述不平衡比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。
进一步地，可以设置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：
依次对不平衡数据集中的每一个少数类按照如下步骤处理：将不平衡数据集中的少数类输入至变分自编码器的编码器拟合出少数类信号的概率分布的均值和方差；其次从标准的高斯分布中随机采样计算隐变量；再次把隐变量作为变分自编码器的解码器的输入，获得输出后更新变分自编码器模型；训练结束，获得变分自编码器模型及与少数类相似的生成数据；其中，训练的终止条件为最大迭代次数。
进一步地，可以设置所述一维多尺度卷积神经网络包括若干卷积层、最大池化层和全连接层；输入数据先经过BN层进行归一化，然后依次通过4个一维卷积层和1个全连接层，每个一维卷积层后都跟有一个池化层；第一个卷积层由4个长度不同的卷积核组成，经过第一个卷积层后生成4个特征向量经过池化分别输入到第二个卷积层；第二个卷积层结构和第一个卷积层类似，第二个卷积层输出的4个特征向量经池化后拼接成一个特征向量然后输入到第三个卷积层，第三个卷积层和第四个卷积层是只有一个卷积核的一维卷积层，把经过这两层卷积输出的特征向量展开成一维特征向量，然后输入全连接层进行分类。本发明中一维多尺度卷积神经网络通过4个一维卷积层和1个全连接层连接，该网络模型不仅能通过多个尺度不同的卷积核并行进行卷积，能够扩大感受野，提高特征提取能力和适应性；同时可以避免过拟合和计算量过大；能有效地适应一维轴承的振动数据的故障诊断，提高分类正确率。
再进一步地，结合实验数据，本发明给出可选地具体实施方式如下：
步骤1：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(即获得多个不平衡数据集)；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(本实例电机载荷为1hp)。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(面向不平衡数据集的故障诊断研究，实验构造不同类别样本数据量不平衡比为R的数据集)：R＝Dmin/Dmax；其中，Dmin表示故障样本数量，Dmax表示正常样本数量。
步骤2：对不同不平衡比的不平衡数据集进行诊断，获得分类结果；
将不平衡数据集划分训练集和测试集，将训练集输入到一维多尺度卷积神经网络进行训练，获得训练模型，将测试集输入至训练模型中得到分类结果；将不同不平衡比的不平衡数据集中测试集的分类结果进行对比，获得对比结果：不平衡比的取值越大，分类结果越好；否则，相反；如表1所示，本实施例中，标签为0的数据是轴承正常工作的样本数据，其余9种标签分别代表一类故障；不同不平衡比下的数据集按照4:1划分为训练集和测试集；对不同不平衡比的不平衡数据集进行诊断，获得分类结果如表2中前两组数据所示。表2中前两组数据，即VAE模型生成的样本数为0的两行数据，从实验结果可知，随着不平衡比的增大，少数类正确率对应的结果越好(VAE模型即变分自编码器模型)。
表1实验数据集划分
表2负载1hp下的实验结果
步骤3：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；可选地，每一个不平衡数据集的训练过程如下：依次对不平衡数据集中的每一个少数类按照如下步骤处理：将不平衡数据集中的少数类输入至变分自编码器的编码器拟合出少数类信号的概率分布的均值和方差；其次从标准的高斯分布中随机采样计算隐变量；再次把隐变量作为变分自编码器的解码器的输入，获得输出后更新变分自编码器模型；训练结束，获得变分自编码器模型及与少数类相似的生成数据；其中，训练的终止条件为最大迭代次数。如表2中最后四行数据给出了每一个不平衡数据集添加了VAE模型生成的样本个数。
具体而言，所述变分自编码器包括编码器和解码器，训练过程中使用了重参数技巧，重参数的公式如下：
Z＝μ+ε·σ
式中：Z为隐变量，μ为编码层计算得到的均值，σ为编码层计算得到的方差，ε表示随机从标准的高斯分布中选取的数据点。
步骤4：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，构成新的数据集，作为平衡后的数据集；通过添加生成数据样本使不平衡数据集的不平衡性减小。通过步骤3生成一些生成数据加入到原始的不平衡数据集中使新的数据集的不平衡比R大于0.5，显著降低不平衡性。
步骤5：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。如表2中最后四行数据所示，相同初始不平衡比的情况下，随着添加VAE模型生成的样本个数的增多，少数类的正确类也上升。
步骤6：将步骤2的分类结果与步骤5的分类结果进行对比，同时选用多个指标来评估故障诊断的结果。对于表2中数据可知，本发明的方法可以较好地解决不平衡数据集下的轴承故障诊断问题。所述评价指标包括少数类的正确率。
少数类准确率的计算公式如下式所示。
式中：TM指的是测试集中少数类样本的正确个数，EM指的是测试集中少数类样本的个数，AM指的是计算出来的少数类的正确率。
实验采用的轴承振动信号样本数据长度都为600数据点的一维向量，一维多尺度卷积神经网络输入数据为一维数据，卷积核为一维卷积核；数据输入前进行归一化处理；激活函数选择Relu激活函数；全连接层中使用dropout防止过拟合，比率设置为0.3；更新参数方法选用Adam算法，学习率为0.0001；损失函数选择交叉熵损失函数；训练集与测试集的比为4/1。本申请解码器和编码器都采用2层全连接结构，编码器的输出经重参数化后作为解码器的输入，除解码器的FC5层不使用激活函数外，其它层都使用Tanh激活函数，如图3所示结构，基于该结构的层次特征。
表2中第2行、第4行、第6行对应的诊断结果的混淆矩阵如图6-8所示，混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了数据的真实归属类别，每一行的数据总数表示该类别的数据实例的数目。
实施例2：一种基于不平衡数据集的轴承故障诊断装置，包括：
第一构建模块，用于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；
第一获得模块，用于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；
第二构建模块，用于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；
第二获得模块，用于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。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；和/或，上述各个模块以任意组合的方式位于不同的处理器中。
实施例3：根据本发明实施例的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
本发明实施例提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
实施例4：根据本发明实施例的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，和/或位于移动终端群中的任意一个移动终端中，上述计算机可读存储介质包括存储的程序。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种基于不平衡数据集的轴承故障诊断方法，其特征在于：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。
2.根据权利要求1所述的基于不平衡数据集的轴承故障诊断方法，其特征在于：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。
3.根据权利要求1所述的基于不平衡数据集的轴承故障诊断方法，其特征在于：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。
4.根据权利要求1所述的基于不平衡数据集的轴承故障诊断方法，其特征在于：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。
5.根据权利要求1所述的基于不平衡数据集的轴承故障诊断方法，其特征在于：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：
依次对不平衡数据集中的每一个少数类按照如下步骤处理：将不平衡数据集中的少数类输入至变分自编码器的编码器拟合出少数类信号的概率分布的均值和方差；其次从标准的高斯分布中随机采样计算隐变量；再次把隐变量作为变分自编码器的解码器的输入，获得输出后更新变分自编码器模型；训练结束，获得变分自编码器模型及与少数类相似的生成数据；其中，训练的终止条件为最大迭代次数。
6.根据权利要求1所述的基于不平衡数据集的轴承故障诊断方法，其特征在于：所述一维多尺度卷积神经网络包括若干卷积层、最大池化层和全连接层；输入数据先经过BN层进行归一化，然后依次通过4个一维卷积层和1个全连接层，每个一维卷积层后都跟有一个池化层；第一个卷积层由4个长度不同的卷积核组成，经过第一个卷积层后生成4个特征向量经过池化分别输入到第二个卷积层；第二个卷积层结构和第一个卷积层类似，第二个卷积层输出的4个特征向量经池化后拼接成一个特征向量然后输入到第三个卷积层，第三个卷积层和第四个卷积层是只有一个卷积核的一维卷积层，把经过这两层卷积输出的特征向量展开成一维特征向量，然后输入全连接层进行分类。
7.一种基于不平衡数据集的轴承故障诊断装置，其特征在于：包括：
第一构建模块，用于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；
第一获得模块，用于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；
第二构建模块，用于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；
第二获得模块，用于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。
8.一种处理器，其特征在于：所述处理器用于运行程序，其中，所述程序运行时执行权利要求1-6中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-6中任意一项所述的基于不平衡数据集的轴承故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210322372.0A CN114894480B (zh) | 2022-03-29 | 2022-03-29 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210322372.0A CN114894480B (zh) | 2022-03-29 | 2022-03-29 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114894480A true CN114894480A (zh) | 2022-08-12 |
| CN114894480B CN114894480B (zh) | 2023-08-29 |
Family
ID=82715709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210322372.0A Active CN114894480B (zh) | 2022-03-29 | 2022-03-29 | 一种基于不平衡数据集的轴承故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114894480B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113408605A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于小样本学习的高光谱图像半监督分类方法 |
-
2022
- 2022-03-29 CN CN202210322372.0A patent/CN114894480B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
| CN111967502A (zh) * | 2020-07-23 | 2020-11-20 | 电子科技大学 | 一种基于条件变分自编码器的网络入侵检测方法 |
| CN112949823A (zh) * | 2021-02-05 | 2021-06-11 | 杭州电子科技大学 | 基于一维多尺度深度卷积神经网络的工业过程性能诊断方法 |
| CN113255078A (zh) * | 2021-05-31 | 2021-08-13 | 南京信息工程大学 | 一种样本不均衡条件下的轴承故障检测方法及装置 |
| CN113408605A (zh) * | 2021-06-16 | 2021-09-17 | 西安电子科技大学 | 基于小样本学习的高光谱图像半监督分类方法 |
Non-Patent Citations (1)
| Title |
|---|
| 熊美景: "基于变分自编码器的数据增强方法在旋转设备故障诊断中的应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114894480B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Intelligent bearing fault diagnosis using multi-head attention-based CNN | |
| CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
| Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
| CN113111820B (zh) | 基于改进cnn与关系模块的旋转部件故障诊断方法及其装置 | |
| CN112464233B (zh) | 一种云平台上基于rnn的恶意软件检测方法 | |
| CN112464234B (zh) | 一种云平台上基于svm的恶意软件检测方法 | |
| CN112132102B (zh) | 一种深度神经网络结合人工蜂群优化的智能故障诊断方法 | |
| CN111309718B (zh) | 一种配网电压数据缺失填补方法及装置 | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN112784884A (zh) | 一种医学图像分类方法、系统、介质及电子终端 | |
| CN116578843A (zh) | 离心泵诊断模型训练方法、诊断方法、系统、装置及介质 | |
| CN114332500A (zh) | 图像处理模型训练方法、装置、计算机设备和存储介质 | |
| CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
| CN116304853A (zh) | 一种极限学习机与特征提取相结合的数据分类方法及系统 | |
| CN114894480B (zh) | 一种基于不平衡数据集的轴承故障诊断方法及装置 | |
| Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
| CN114528906A (zh) | 一种旋转机械的故障诊断方法、装置、设备和介质 | |
| He et al. | Rolling bearing fault diagnosis based on meta-learning with few-shot samples | |
| CN110555470B (zh) | 一种喷油器分组方法 | |
| CN113505817A (zh) | 不均衡数据下轴承故障诊断模型样本自适应加权训练方法 | |
| CN109902657B (zh) | 一种基于分块协同表示的人脸识别方法 | |
| CN115374775A (zh) | 一种确定文本相似度的方法、装置、设备及存储介质 | |
| CN115510925B (zh) | 一种机械故障诊断方法、装置、介质 | |
| CN118114020A (zh) | 一种设备故障诊断方法、系统、计算机设备和存储介质 | |
| CN110084303B (zh) | 一种基于cnn与rf的老年人平衡能力特征选择方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |