自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

doi:10.3969/j.issn.1004-132X.2022.13.012

中国机械工程 ›› 2022, Vol. 33 ›› Issue (13): 1613-1621.DOI: 10.3969/j.issn.1004-132X.2022.13.012

自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

杨光友1，2;刘浪1;习晨博1

1.湖北工业大学农机工程研究设计院，武汉，430068
2.湖北省农机装备智能化工程技术研究中心，武汉，430068

出版日期:2022-07-10 发布日期:2022-07-25
作者简介:杨光友，男，1962年生，教授。研究方向为农业装备智能化与信息化。发表论文100余篇。E-mail：pekka@126.com。
基金资助:
国家重点研发计划（2017YFD0700600，2018YFB01 05300）

Bearing Fault Diagnosis Based on SA-ACGAN Data Generation Model

YANG Guangyou1，2;LIU Lang1;XI Chenbo1

1. Institute of Agricultural Machinery，Hubei University of Technology，Wuhan，430068
2.Hubei Engineering Research Center for Intellectualization of Agricultural Equipment，Wuhan，430068

Online:2022-07-10 Published:2022-07-25

摘要/Abstract

摘要： 故障样本获取困难导致的训练样本不均衡严重影响故障诊断模型的可用性及准确率，因此提出一种基于自适应辅助分类器生成式对抗网络的故障样本生成模型，通过度量判别器与生成器的相对性能自适应地调节生成器损失值，使训练收敛更快、生成数据质量更好。将所提方法、辅助分类器生成式对抗网络方法生成的数据，以及未经处理的试验原始数据作为BP分类模型的输入数据进行试验，结果表明所提方法生成数据训练的模型更优。所提方法与1D-CNN、e2e-LSTM、CFVS-SVM和FFT-CNN等方法的对比结果表明，所提方法的故障诊断准确率、信息处理时间均最优。

关键词: 故障诊断, 生成对抗网络, 深度学习, 滚动轴承

Abstract: Unbalancing training dataset caused by the difficulty in obtaining fault samples seriously affectsed the robust and accuracy of fault diagnosis model. A data generation model was proposed based on self-adaptive auxiliary classifier GAN， which adaptively adjusted the generator loss by measuring the relative performance between discriminator and generator， accelerated the converge speed of training processes， and improved the quality of generated data. The raw data， data generated by auxiliary classifier GAN method， and data generated by proposed method were used as the input data of the BP neural network. The results show that the model trained by data of the proposed method was superior. Comparison results of the proposed method with 1D-CNN，e2e-LSTM，CFVS-SVM， and FFT-CNN fault diagnosis methods manifest that the proposed method is better in fault diagnosis accuracy and data processing time

Key words: fault diagnosis, generative adversarial network（GAN）, deep learning, rolling bear

中图分类号:

TP183

杨光友, 刘浪, 习晨博. 自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断[J]. 中国机械工程, 2022, 33(13): 1613-1621.

YANG Guangyou, LIU Lang, XI Chenbo. Bearing Fault Diagnosis Based on SA-ACGAN Data Generation Model[J]. China Mechanical Engineering, 2022, 33(13): 1613-1621.

参考文献

［1］杨宇，潘海洋，李永国，等. 一种增量式半监督VPMCD齿轮故障在线诊断方法［J］. 振动与冲击， 2015， 34（8）：49-54.
YANG Yu， PAN Haiyang， LI Yongguo， et al. A Novel Incremental Semi-supervised VPMCD Gear Fault On-line Diagnosis Method［J］. Journal of Vibration and Shock， 2015， 34（8）：49-54.
［3］陶新民，李晨曦，李青，等. 不均衡最大软间隔SVDD轴承故障检测模型［J］. 振动工程学报， 2019， 32（4）：718-729.
TAO Xinmin， LI Chenxi， LI Qing， et al. Rolling Bearing Fault Detection Model Using Unbalanced Maximum Soft Margin Support Vector Domain Description［J］. Journal of Vibration Engineering 2019， 32（4）：718-729.
［4］CHAWLA N V， BOWYER K W， HALL L O， et al. SMOTE：Synthetic Minority Over-sampling Technique［J］. Journal of Artificial Intelligence Research， 2002， 16：321-357.
［5］RAGHUWANSHI B S， SHUKLA S. SMOTE Based Class-specific Extreme Learning Machine for Imbalanced Learning［J］. Knowledge-Based Systems， 2020， 187：104814.
［6］ZHANG Y， LI X， GAO L， et al. Imbalanced Data Fault Diagnosis of Rotating Machinery Using Synthetic Oversampling and Feature Learning［J］. Journal of Manufacturing Systems， 2018， 48：34-50.
［7］GOODFELLOW I， POUGET-ABADIE J， MIRZA， M， et al. Generative Adversarial Nets［C］∥Proceedings of the Advances in Neural Information Processing Systems. Montreal， 2014：2672-2680.
［8］金棋. 基于生成网络的行星齿轮箱故障诊断技术研究［D］. 南京：南京航空航天大学， 2018.
JIN Qi. Research on Fault Diagnosis Method of Planetary Gearboxes Based on Generative Networks［D］. Nanjing：Nanjing University of Aeronautics and Astronautics， 2018.
［9］王俊. 基于深度学习的行星齿轮箱故障诊断技术研究［D］. 南京：南京航空航天大学， 2019.
WANG Jun. Research onFault Diagnosis Technology of Planetary Gearboxes Based on Deep Learning［D］. Nanjing：Nanjing University of Aeronautics and Astronautics， 2019.
［10］ODENA A， OLAH C， SHLENS J. Conditional Image Synthesis with Auxiliary Classifier Gans［C］∥International Conference on Machine Learning. Sydney， 2017：2642-2651.
［11］HEUSEL M， RAMSAUER H， UNTERTHINER T， et al. GansTrained by a Two Time-scale Update Rule Converge to a Local Nash Equilibrium［J］. Advances in Neural Information Processing Systems， 2017， 30：6626-6637.
［12］ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein Gan［EB/OL］. （2017-12-06）［2021-06-15］. https：∥arxiv. org/pdf/1701. 07875. pdf.
［13］HE K， ZHANG X， REN S， et al. Delving Deep into Rectifiers：Surpassing Human-level Performance on ImagenetClassification［C］∥Proceedings of the IEEE International Conference on Computer Vision. Santiago， 2015：1026-1034.
［14］吴春志，江鹏程，冯辅周，等. 基于一维卷积神经网络的齿轮箱故障诊断［J］. 振动与冲击， 2018， 37（22）：56-61.
WU Zhichun， JIANG Pengcheng， FENG Fuzhou， et al， Fault Diagnosis Method for Gearboxes Based on a 1-D Convolutional Neural Network［J］. Journal of Vibration and Shock， 2018， 37（22）：56-61.
［15］庄雨璇，李奇，杨冰如，等. 基于LSTM的轴承故障诊断端到端方法［J］. 噪声与振动控制， 2019， 39（6）：187-193.
ZHUANG Yuxuan， LI Qi， YANG Bingru， et al. An End-to-end Approach for Bearing Fault Diagnosis Based on LSTM［J］. Noiseand Vibration Control， 2019， 39（6）：187-193.

[1]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[2]	胡超, 刘佐民. 基于材料匹配性的球轴承Heathcote黏-滑模型研究 [J]. J4, 201016, 21(16): 1969-1973.
[3]	姜万录, 李满, 张培尧, 赵亚鹏, 张淑清. 基于全矢增强深度森林的旋转设备智能故障诊断方法[J]. 中国机械工程, 2022, 33(11): 1324-1335.
[4]	吴利锋, 吕勇, 袁锐, 朱熹, 游俊, . 改进的正弦辅助多元经验模式分解及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2022, 33(11): 1336-1344.
[5]	蒋佳炜, 胡以怀, 方云虎, 张陈, 芮晓松, 汪猛. 基于多尺度时域平均分解和模糊熵的船用风机故障诊断方法[J]. 中国机械工程, 2022, 33(10): 1178-1188.
[6]	艾青波, 张洁, 程辉, 吕佑龙, 左丽玲, 胡蓝. 基于PointCPP-LSF方法的航天筒段薄壁件滚弯成形质量分析[J]. 中国机械工程, 2022, 33(08): 977-985.
[7]	张胜文, 周曦, 李滨城, , 程德俊, , 陈文笛. 基于图像深度学习的零件加工特征信息提取方法[J]. 中国机械工程, 2022, 33(03): 348-355.
[8]	郭家昕, 程军圣, 杨宇, . 改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用[J]. 中国机械工程, 2022, 33(02): 187-193,201.
[9]	闫杰琼, 周来水, 胡少乾, 文思扬. 航空发动机外形点云的保特征去噪方法[J]. 中国机械工程, 2021, 32(23): 2850-2860，2889.
[10]	崔海华, 徐振龙, 杨亚鹏, 孟亚云, 王宝俊. 一种基于深度学习图像超分的环形靶标稳定检测方法[J]. 中国机械工程, 2021, 32(23): 2861-2867.
[11]	揭震国, 王细洋, 龚廷恺. 基于深度学习与子域适配的齿轮故障诊断[J]. 中国机械工程, 2021, 32(22): 2716-2723.
[12]	童靳于, 罗金, 郑近德. 基于增强深度自编码网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(21): 2617-2624.
[13]	赵志宏, 李乐豪, 杨绍普, 李晴. 一种频域特征提取自编码器及其在故障诊断中的应用研究[J]. 中国机械工程, 2021, 32(20): 2468-2474.
[14]	余浩帅, 汤宝平, 张楷, 谭骞, 魏静. 小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法[J]. 中国机械工程, 2021, 32(20): 2475-2481.
[15]	尹晨, 周世超, 何建樑, 孙宇昕, 王禹林. 基于多源同步信号与深度学习的刀具磨损在线识别方法[J]. 中国机械工程, 2021, 32(20): 2482-2491.

自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

Bearing Fault Diagnosis Based on SA-ACGAN Data Generation Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics