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.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2022.13.012

https://www.cmemo.org.cn/CN/Y2022/V33/I13/1613

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]	王浩, 罗浩东, 施亚中, 王立文, 张威, 王忠. 基于端到端深度学习模型TOPO-U型网的结构拓扑优化方法[J]. 中国机械工程, 2026, 37(1): 174-183.
[4]	仝兆景, 王鹏超, 樊永奎, 韩广洋, 王自奇. 基于改进精细复合多尺度样本熵与贝叶斯网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2025, 36(12): 2952-2959.
[5]	张雄, 董乐聪, 王文强, 渠伟瀅, 万书亭. 融合二维卷积与门控循环神经网络的滚动轴承多故障诊断方法[J]. 中国机械工程, 2025, 36(12): 2978-2985.
[6]	闫祖龙, 庞启龙, 熊建龙. 基于深度学习的KDP晶体三维已加工表面形貌预测[J]. 中国机械工程, 2025, 36(10): 2329-2334.
[7]	杨慧明, 杨霞, 黄宇齐. 基于Paris模型的滚动轴承全周期疲劳寿命预测[J]. 中国机械工程, 2025, 36(09): 2003-2010.
[8]	冯思茜, 王家序, 张新, 黄欣玥. 基于共振解调新方法的滚动轴承故障诊断[J]. 中国机械工程, 2025, 36(09): 2022-2031.
[9]	陈剑, 严明辉, 陈品. 基于贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法[J]. 中国机械工程, 2025, 36(09): 2032-2038.
[10]	贾维昊, 王鹏, 陈凯, 仝飞, 王国彪. 快速单曝光高动态范围高反光金属表面缺陷辨识算法研究[J]. 中国机械工程, 2025, 36(09): 2039-2046.
[11]	赵昀杰, 贺岩松, 张志飞, 徐中明. 基于生成模型的三维波束形成图像压缩方法[J]. 中国机械工程, 2025, 36(07): 1520-1529.
[12]	张建宇, 王留震, 肖勇, 马雅楠. 滚动轴承的退化特征信息融合与剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1553-1561.
[13]	宋李俊, 刘松林, 辛玉, 马婧华, 谢正邱. 基于轴承退化状态评估和改进图注意力双向门控循环单元网络的轴承剩余寿命预测[J]. 中国机械工程, 2025, 36(07): 1562-1572.
[14]	杨康1, 陈学军1, 2, 张磊3, 刘烽3. 基于联合子域对比对齐的轴承跨域故障诊断[J]. 中国机械工程, 2025, 36(05): 1065-1073.
[15]	焦华超, 孙文磊, 王宏伟. 基于类小波辅助分类生成对抗网络的轴承故障数据生成方法[J]. 中国机械工程, 2025, 36(03): 546-557.

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