![点击分享此内容 分享](/master/images/share_but.png)
基于多传感器的不平衡数据轴承故障诊断.pdf
《基于多传感器的不平衡数据轴承故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于多传感器的不平衡数据轴承故障诊断.pdf(7页珍藏版)》请在文库网上搜索。
1、基于多传感器的不平衡数据轴承故障诊断董逸凡文传博王正(上海电机学院 电气学院上海)摘要:针对轴承故障数据类别不平衡导致诊断模型精度下降的问题使用多传感器数据丰富数据特征同时从数据增强和损失函数两方面着手提出一种基于多传感器的不平衡数据轴承故障诊断方法 首先设计一种多通道的带辅助分类器的生成对抗网络()利用独特的鉴别 分类结构生成高质量的多传感器数据以补充原始数据集然后提出一种改进的均值焦点损失函数()将不平衡问题转化为样本的难易分类问题根据难易程度进行加权从而进一步提高诊断精度最后将一维卷积神经网络()作为分类网络在凯斯西储大学()轴承数据集和实验室数据集上进行消融试验 结果表明:使用多传感器
2、数据可以有效抑制不平衡数据带来的精度下降问题加入 所生成的样本可大大提高不平衡数据下轴承故障诊断模型的精度关键词:滚动轴承故障诊断多传感器生成对抗网络损失函数鉴别器分类器中图分类号:.文献标志码:./.():.().().()().:收稿日期:修回日期:基金项目:国家自然科学基金资助项目()上海市自然科学基金资助项目()上海地方高校能力建设项目()作者简介:董逸凡()男硕士研究生主要研究方向为电动机的故障诊断通信作者:文传博()男教授主要研究方向为故障诊断、数据融合:.轴承是电动机的重要部件对电动机的健康可靠运行有着极大影响约 大型机械系统小型机械系统的故障可归因于轴承缺陷因此轴承故障诊断的研
3、究具有十分重要的现实意义 近年来基于数据驱动的故障诊断算法发展迅速但其会遇到数据不平衡的问题即不同类别的样本量差异非常大 在实际工况中正常状态下收集到的数据远远多于故障状态下的数据智能运维从而带来以下问题:)少数类样本所包含的信息有限导致少数类的识别率低)许多算法在存在不确定时往往倾向于把样本分类为多数类这将极大地影响算法精度 因此解决不平衡数据所带来的影响是当前研究的热点目前国内外学者试图从以下几个方面解决不平衡问题:)数据层面研究主要涵盖了上采样、下采样以及数据增广 文献提出一种二次数据增强以及 深 度 卷 积 神 经 网 络()的故障诊断模型通过重采样构造平衡数据集再利用一维 进行特征提
4、取文献结合过采样和欠采样方法提出了一种基于混合采样和支持向量机()的诊断方法文献结合 设计了一种新 的 生 成 对 抗 网 络()模型使用 提取特征后再利用 将特征解码生成样本)算法层面主要是研究不平衡权重对模型的影响 文献提出一种基于自适应增强算法()集成加权宽度学习系统的不平衡数据分类方法文献提出一种自适应权重和多尺度卷积的提升 对多尺度特征进行加权融合增加重要特征的贡献度减少非相关特征的影响)损失函数层面主要通过对少数类样本的损失进行加权从而使得算法更关注少数类样本)试验验证通过大量试验将不平衡问题转换为样本的难易区分问题从另一个角度解决不平衡问题 上述研究虽然考虑了数据不平衡问题但并未
5、考虑到实际工况下的数据源往往并不单一而大量文献表明使用多传感器数据将会加强诊断的可靠性和稳定性并大大提高诊断精度:文献通过变分模态分解和改进深度自编码器实现了多域特征集的融合文献使用快速傅里叶变换将多传感器信号转为频域信号使用 和动态路由算法进行故障诊断文献将每个传感器数据视为一个通道使用一维 对信号进行特征提取综上本文基于多传感器数据从数据增强和损失函数 个方面对数据不平衡问题展开研究首先使用多传感器数据代替单传感器数据进行诊断增强数据所包含的信息然后针对数据不平衡问题设计了一种基于多传感器的带辅助分类器 的 生 成 对 抗 网 络()将 少 数 类 多 传 感 器 数 据 样 本 输 入
6、生成足量的多维高质量数据最后提出了一种改进的均值焦点损失函数()通过加入均值实时更新损失函数的调制系数从而使得分类模型在训练时更专注于难分类的样本进一步提高模型诊断效果 理论分析1 1 是 架构的一个变体特点是使用一个分类器对生成数据进行分类若生成数据具有较高的分类准确率即可认为所生成的数据具有高质量的特点如图 所示:由生成器和鉴别器组成同时在鉴别器的输出部分加入一个辅助分类器提高性能 将类标签和噪声输入鉴别器生成假数据后送入鉴别器区分真假与类别然后得到损失进行反向传播当鉴别器无法区分所生成的假数据的真假并能够准确区分类别时则说明网络具有生成高质量数据的能力图 的结构.传统的 通常使用全连接层
7、构建生成器和鉴别器而本文加入卷积层和转置卷积层代替对应部分不仅可以减少模型参数量降低计算负荷提高数据生成速度而且可以生成多维数据避免分别生成每个维度数据而造成的数据质量下降问题 如果将每种传感器视为一个维度则可将所生成的多维数据用于扩充原多传感器数据集从而缓解原数据集的不平衡对分类模型精度的影响 同时 所特有的鉴定 分类结构可以生成高质量的数据保证所生成数据对于模型训练具有正面作用轴承 年第 期智能运维生成器由 层一维转置卷积组成一组一维的随机噪声输入生成器后输出生成多维的假数据 鉴别器和分类器共享 层的一维卷积进行特征提取分别对输出进行一维卷积、全局池化经过全连接层和激活函数 得到鉴别结果并
8、经过全连接层和 分类器得到分类结果1 2 以二分类为例标准交叉熵损失()函数可表示为 ()()式中:为预测样本属于 的概率 为标签取值为 当 时假如某个样本 预测为 这个类的概率 那么损失就是 多分类以此类推对于标准交叉熵损失根据样本比例加权虽然可以提高少数类样本的损失但其本身也属于难分类样本加权乘积后的效果并不好另外负样本数量太大占总损失值的大部分而且多是容易分类的 于是在标准交叉熵损失前加上一个调制系数 通过减小易分类样本的权重使模型在训练时更专注于难分类的样本即交点损失()函数可表示为()()()交点损失函数将样本类别不平衡问题转化为样本的难易分类问题在一定程度上提高了分类精度但其难分类
9、区间固定不利于网络后期的训练统计不平衡数据早期训练中的结果概率并绘制成密度分布图结果如图 所示 观察不平衡数据的早期训练结果概率密度分布可以发现每次早期训练结果的概率可以近似看作双峰分布将 个峰看作较易样本和较难样本的集合以概率均值作为与 的交点根据每一次结果的概率分布情况放大或缩小难易样本的调制系数就可以完成对调制系数的动态更新:因此提出一种改进的均值交点损失()函数可表示为()()式中:为概率均值随每次训练结果更新 相比标准交叉熵损失均值交点损失值在均值 前放大且在 之后缩小 种损失函数在不同概率下的损失值曲线如图 所示:对于 的 曲线难分类样本区间大概在.即当结果概率超过.则反向传播的梯
10、()均值为.()均值为.()均值为.()均值为.图 早期训练结果的概率密度分布.度几乎为 在训练后期易出现梯度消失 由于存在动态更新的调制系数随着每次训练结果概率均值的不断变大相对难分类样本区间也在变大对整个训练过程具有良好的指导作用()与()与 图 各损失函数在不同概率下的损失值曲线.智能运维董逸凡等.基于多传感器的不平衡数据轴承故障诊断 模型结构与诊断流程2 1 模型结构本文采用的生成器和鉴别器如图 所示:生成器由 层一维转置卷积组成一组一维的随机噪声输入生成器后输出生成多维的假数据 鉴别器和分类器共享 层的一维卷积进行特征提取分别对输出进行一维卷积、全局池化经过全连接层和激活函数 得到鉴
- 1.请仔细阅读文档,确保文档完整性,对于不预览、不比对内容而直接下载带来的问题本站不予受理。
- 2.下载的文档,不会出现我们的网址水印。
- 3、该文档所得收入(下载+内容+预览)归上传者、原创作者;如果您是本文档原作者,请点此认领!既往收益都归您。
下载文档到电脑,查找使用更方便
10 文币 0人已下载
下载 | 加入VIP,免费下载 |
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 传感器 不平衡 数据 轴承 故障诊断
![提示](https://www.wenkunet.com/images/bang_tan.gif)