类不平衡滚动轴承智能故障诊断方法、系统、设备及应用

技术领域

[0001] 本发明属于机械设备智能化故障诊断技术领域，尤其涉及一种类不平衡滚动轴承智能故障诊断方法、系统、设备及应用。

背景技术

[0002]目前：滚动轴承是机械设备的基础部件之一，是机械传动系统的重要组成部分，是现代工业设备中不可或缺的一环，滚动轴承的运行状态和健康程度直接影响到机械设备的正常运行与企业的安全生产。滚动轴承的故障可能导致整个传动系统的崩溃，造成无法预计的经济损失甚至是人身伤害。因此，研究面向滚动轴承有效的故障诊断方法，安排制定维修计划，减少突发停机事件，对企业安全生产与成本节约意义重大。

[0003] 在工业大数据时代，智能故障诊断方法已在实际工程应用中逐步展露优势。同时，振动信号是滚动轴承监测中最为常见且有效的监测信号，基于振动信号的智能诊断方法具有识别判断监测设备运行状态的能力，已经逐步开始应用。虽然基于振动信号的智能诊断方法取得了一些实际应用成果，但其对于优质数据集的依赖性较大的限制了其工业应用能力。智能诊断模型需要优质的类别平衡的训练数据集，然而在实际工业生产中，所监测到的正常数据远比故障数据要多，造成了数据集的类别不平衡现象，导致智能诊断模型对小类别(如故障类)的识别效果不佳，限制其泛化能力。因此，在类别不平衡数据集下，如何构造有效的滚动轴承智能诊断模型是一个有待解决的问题。

[0004] 通过上述分析，现有技术存在的问题及缺陷为：

[0005] (1)现有基于振动信号的智能诊断方法对于优质数据集的依赖性较大的限制了其工业应用能力。

[0006] (2)现有智能诊断模型监测到的正常数据远比故障数据要多，造成了数据集的类别不平衡现象，导致智能诊断模型对小类别(如故障类)的识别效果不佳，限制其泛化能力。

[0007] 解决以上问题及缺陷的难度为：对类不平衡数据集进行样本扩充与优化是解决上述问题的思路，然而，对于类不平衡数据集扩充与优化方法的有效性是一个难点，扩充优化的数据应与原始数据具有相似的统计分布特点。传统的上、下采样方式虽然能够表面上达到类别平衡的效果，但由于其造成的冗余或信息衰减又会限制智能诊断模型的训练效果；基于加入噪声的数据增强方法无法保证扩充数据的一致性，也会造成模型的效果受限。

[0008] 解决以上问题及缺陷的意义为：数据集的质量对智能诊断模型的效果具有重要意义，实现对于类不平衡数据集的有效优化与扩充，改善原始数据集的类不平衡现象，减弱智能诊断模型对于数据集质量的依赖性，能够扩展智能诊断模型的应用场景，有效推动人工智能方法的工业赋能。

发明内容

[0009] 针对现有技术存在的问题，本发明提供了一种类不平衡滚动轴承智能故障诊断方法、系统、设备及应用。

[0010] 本发明是这样实现的，一种类不平衡滚动轴承智能故障诊断方法，所述类不平衡滚动轴承智能故障诊断方法包括：

[0011] 采集滚动轴承振动信号，对原始信号进行Zscore标准化，利用移动时窗进行信号的分割；采用Zscore标准化能够限定数据的幅值范围，有利于条件生成对抗网络的训练。

[0012] 构建生成器与判别器结合的条件生成对抗网络CGAN；

[0013] 对建立的条件生成对抗网络，采用循环对抗训练的方式进行网络参数优化直至训练结束，通过生成器定向生成数据量较少的类别的样本进行训练集数据增强，缓解原始数据集的类别不平衡现象；循环对抗训练有利于使得CGAN中的生成器与判别器构成博弈关系，利于二者交替训练。

[0014] 构建以深度卷积神经网络为基础的故障诊断模型；构建以深度卷积神经网络为基础的故障诊断模型，深度卷积神经网络具有优良的特征提取能力，能够有效提取信号的深层特点。

[0015] 利用通过CGAN优化后的训练数据集训练所建立的故障诊断模型，训练完成后即可利用此故障诊断模型实现对未知标签样本的智能诊断。建立的故障诊断模型在CGAN进行样本扩充后的数据集进行训练，原始数据集的类不平衡现象得到缓解，是的故障诊断模型能够被有效训练。

[0016] 进一步，对原始信号进行Zscore标准化，Zscore的计算公式为：

[0017]

[0018] 其中，为原始数据的均值，σ为原始数据的标准差，x*为Zscore标准化后的数据。

[0019] 进一步，生成器输入为高斯白噪声以及类别标签，输出为仿真的机械振动信号，判别器的输入为经过Zscore标准化处理后的真实机械振动信号与生成器生成的仿真机械振动信号，判别器的输出为当前信号为真实机械振动信号的概率值；生成器与判别器均由3层卷积神经网络构成，均使用tanh激活函数，激活函数表达式为：

[0020]

[0021] 其中，x为该激活函数的输入，e为自然对数底，y为该激活函数的输出。

[0022] 进一步，循环对抗训指的是在一个训练周期内，判别器参数更新5次之后，生成器参数更新1次，完成一次完整训练后进入下一个训练周期。

[0023] 进一步，构建的故障诊断模型由三层卷积神经网络构成，输入样本为原始振动信号与生成器定向补充生成的小样本类别信号，输出为滚动轴承运行状态类别，使用softmax函数作为网络输出，softmax计算公式为：

[0024]

[0025] 其中，P(ci)代表第i类样本的softmax输出归一化概率，e为自然对数的底，oi为类别isoftmax层之前的对应网络输出，k代表数据集分类的总类别数。

[0026] 进一步，输入中生成器定向补充生成的数据为原始数据集中样本数较少的故障类别数据。

[0027] 进一步，故障诊断模型的损失函数为交叉熵损失函数，具体计算公式为：

[0028]

[0029] 式中，loss为交叉熵损失函数的具体值，y为期望输出的标签信息， 为实际输出的标签信息。

[0030] 本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

[0031] 采集滚动轴承振动信号，对原始信号进行Zscore标准化，利用移动时窗进行信号的分割；

[0032] 构建生成器与判别器结合的条件生成对抗网络CGAN；

[0033] 对建立的条件生成对抗网络，采用循环对抗训练的方式进行网络参数优化直至训练结束，通过生成器定向生成数据量较少的类别的样本进行训练集数据增强，缓解原始数据集的类别不平衡现象；

[0034] 构建以深度卷积神经网络为基础的故障诊断模型；

[0035] 利用通过CGAN优化后的训练数据集训练所建立的故障诊断模型，训练完成后即可利用此故障诊断模型实现对未知标签样本的智能诊断。

[0036] 本发明的另一目的在于提供一种实施所述类不平衡滚动轴承智能故障诊断方法的类不平衡滚动轴承智能故障诊断系统，所述类不平衡滚动轴承智能故障诊断系统包括：

[0037] 特定类别数据生成模块，用于使用条件生成对抗网络CGAN，定向生成特定类别的数据以减轻数据集的类不平衡现象；

[0038] 健康状态获取模块，用于利用深度卷积神经网络基于优化后的数据集进行训练，获取故障特征信息并识别滚动轴承的健康状态。

[0039] 本发明的另一目的在于提供一种机械设备智能化故障诊断方法，所述机械设备智能化故障诊断方法使用所述类不平衡滚动轴承智能故障诊断方法。

[0040] 结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明使用条件生成对抗网络(Conditional Generative Adversial Network，CGAN)，定向生成特定类别的数据以减轻数据集的类不平衡现象，同时利用深度卷积神经网络基于优化后的数据集进行训练，获取故障特征信息并识别滚动轴承的健康状态，解决类不平衡条件下智能诊断模型无法有效训练的问题，提高智能诊断模型的泛化能力，为深度学习技术在生产实际中实现工业赋能提供一种可行的方案。

[0041] 本发明使用滚动轴承振动信号，具有易于获取、简单易行的特点；通过CGAN定向生成样本较少的故障类别数据，优化原始的类不平衡数据集，克服了实际工业场景下故障数据极少而正常数据居多带来的类别不平衡问题，保证了网络训练的有效性，提高了网络的鲁棒性。使用本发明可增强滚动轴承状态识别的可靠性，具有低成本、简单实用等特点，为实际工业场景下使用智能诊断方法提供了一个有效、便利的解决方案，具有很强的工程实用价值与应用前景。图5是使用效果的对比，图5中的(a)是目前常用的卷积神经网络分类结果，未经过本发明对数据集的优化处理，图5中的(b)是利用本发明的处理结果，从混淆矩阵的对比可以看出，使用本发明之后，使得混淆矩阵取得了更好的结果(对角线上表示每一类的分类效果)。