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
11、别结果经过全连接层和 分类器得到分类结果 ()生成器 ()鉴别器图 改进的生成器和鉴别器.的生成器和鉴别器的模型参数见表其中 为传感器个数即数据的通道数 随机生成一组一维长度 的数据送入生成器输出一组 维长度 的数据然后将生成数据送入鉴别器经过特征提取得出鉴别结果和分类结果表 生成器和鉴别器的结构及参数.层层结构卷积核的个数/大小/步长输入尺寸输出尺寸生成器转置卷积()()()转置卷积()()()转置卷积()()()转置卷积()()()鉴别器卷积()()()卷积()()()卷积()()()鉴别卷积全局池化全连接()()()()分类卷积全局池化全连接()()()()分类数2 2 故障诊断流程本文
12、所设计的故障诊断流程如图 所示:首先将数据按比例划分为训练集、验证集和测试集并进行标准化然后训练 并分别生成每一类小样本将生成数据与原始数据混合后送入 进行特征提取最后通过 分类并使用 对反向传播进行引导在达到所设定的最大循环次数后结束训练图 故障诊断流程.试验分析试验采用美国凯斯西储大学()轴承数据集进行测试并以实验室数据集进行验证利用()().设备进行数据分析并 使 用 均 值 平 均 精 准 率()衡量模型的测试结果平均精度()是每类的精准率()和召回率()构成曲线的面积其表达式为()()()()()式中:为召回率的个数 为按升序排列的第 个召回率值()为 对应的最大精准率为真正例 为假
13、负例 为假正例均值平均精准率则定义为每类平均精度的均值可表示为轴承 年第 期智能运维()式中:为总类别数3 1 数据集介绍选用 轴承数据集中 负载 /转速下在驱动端和风扇端采集的振动加速度信号 轴承的运行状态分为正常、内圈故障、外圈故障以及钢球故障故障直径均包括.这 种尺寸总计 种状态 根据实际工况设置正常状态下训练集、验证集和测试集的样本数为/各故障状态的训练集、验证集和测试集样本数按 的不平衡数据比例分别等比缩为/数据长度均为 实验室使用的电动机额定转速为 /轴承型号为 采样频率为 轴承运行状态分为正常、内圈故障、外圈故障以及钢球故障 内、外圈故障为由砂轮机加工形成的条状磨损故障深度为.钢
14、球故障由机器挤压而成由于 负载、负载以及 负载对应的电动机实际转速不同同类故障状态下振动信号的特征也不相同 因此细分为 种状态 试验数据由安装在电动机径向、横向和轴向的振动传感器和定子的三相电压传感器采集共 通道 振动信号用于检测结构缺陷电压信号用于测量故障期间电动机电源的波动结合 种信号可以更全面地描述电动机状态 设置正常状态下训练集、验证集和测试集的样本数为/各故障状态同样按 的不平衡数据比例划分训练集、验证集和测试集数据长度均为 3 2 多传感器数据使用多传感器数据验证本文所提方法并与单传感器数据试验进行对比以验证多传感器数据对不平衡数据下模型精度的提升作用 试验结果见表:在 数据集上使
15、用多传感器数据在不平衡程度从 到 的情况下从.下降到了.只降低了.而使用单传感器数据时则从.降到.降低了.在实验室数据集上使用多传感器和单传感器时 分别下降了.和.同时在同一不平衡比例下使用多传感器数据时的 始终更高试验结果充分说明使用多传感器数据可以有效抑制不平衡数据带来的精度下降增强诊断结果的可靠性和稳定性表 多传感器数据对不平衡数据故障诊断 的影响.数据集数据源不平衡比例 单传感器.多传感器.实验室单传感器.多传感器.3 3 数据增强使用 生成高质量多传感器数据在不平衡程度分别为 和 的情况下将数据补全为 多传感器下数据增强试验的 折线图如图 所示:尽管无法将诊断结果还原成不平衡比例 下
16、使用原始数据时的精度但数据增强后的 有了巨大地提高这说明本文所构造的 具有产生高质量多维数据的能力使用 扩充数据集可在一定程度上遏制数据不平衡造成的精度下降问题图 多传感器下数据增强试验的.使用欠采样、随机偏度过采样技术()、人工少数类过采样法()和 进行数据处理对比验证本文模型在不平衡多传感器数据处理上的优势 各数据处理技术的结果如图 所示:欠采样方法效果最差 和 这 种过采样技术与 的效果接近但均不如本文所设计的 欠采样减少了大样本数据从而使数据达智能运维董逸凡等.基于多传感器的不平衡数据轴承故障诊断到平衡但同时也抛弃了大样本数据所具有的特征信息导致样本难以区分在小数据集中尤其明显而 在数
17、据生成时经过辅助分类器鉴定其所携带的特征信息更明显补充了数据集的同时也使其更容易被分类图 各数据处理技术的.3 4 损失函数分别使用 以及 对不平衡状态下的轴承数据进行诊断为使差异更明显不使用 进行数据扩充试验结果见表:在不平衡比例为 时 种损失函数的效果接近而在其他不平衡比例时 均取得了更高的精度在 的不平衡比例下 数据集中 的分别比 和 高.和.实验室数据集中 的 则高出了.和.说明 动态调整调制系数从而放大难分类样本的概率缩小易分类样本的概率相比于 和 更有利于指导网络向少数类样本进行学习表 不同损失函数在不平衡比例下的.数据集损失函数不平衡比例.实验室.3 5 网络调参对于 网络由于生
18、成器输入、输出的尺寸固定每层的卷积核参数需计算得到 因此在 层结构鉴别器网络的基础上改变鉴别器的层数结构通过观察鉴别器和生成器训练中的损失函数查看网络调参结果如图 所示:层的卷积结构()层卷积结构()层卷积结构()层卷积结构图 鉴别器与生成器的损失函数曲线.轴承 年第 期智能运维使鉴别器偏弱无法很好地指导生成器鉴别器和生成器的损失值增加且振幅比较大而 层的卷积结构使得鉴别器过强梯度消失损失函数剧烈震荡本文所提 层卷积结构的鉴别器和生成器的损失函数最终分别在.和 上下小幅振荡具有较优的数据生成能力 结论针对不平衡数据影响故障诊断模型精度的问题设计了一种基于多传感器的辅助分类对抗神经网络模型并提出
19、改进 以加强损失函数对网络训练的指导能力通过 和实验室数据集对所提方法进行了验证得到以下结论:)使用多传感器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)所提出的 可以带来比 等损失函数更高的 参考文献:.():.():.李蒙蒙刘艺李庚松等.不平衡多分类算法综述.计算机应用():.孟宗关阳潘作舟等.基于二次数据增强和深度卷积的滚动轴承故障诊断研究.机械工程学报():.李亮范瑾闫林等.基于混合采样和支持向量机的变压器故障诊断.中国电力():.李忠智尹航左剑凯等.不平衡训练数据下的基于生成对抗网络的轴承故障诊断.小型微型计算机系统()
20、:.王萌铎续欣莹阎高伟等.基于 集成加权宽度学习系统的不平衡数据分类.计算机工程():.韩淞宇邵海东姜洪开等.基于提升卷积神经网络的航空发动机高速轴承智能故障诊断.航空学报():.:.周传华徐文倩朱俊杰.基于代价敏感卷积神经网络的 集 成 分 类 算 法 .应 用 科 学 学 报():.施非邱臻韩勤等.基于可变权重损失函数和难例挖掘模块的 改进算法.计算机与现代化():.黄月平李小锋齐乃新等.基于难例挖掘和自适应时间正则化的视觉目标跟踪算法.机器人():.刘仓童靳于包家汉等.基于多传感器两级特征融合的滚动轴承故障诊断方法.振动与冲击():.郭俊锋吕健豪.基于 和动态路由的滚动轴承故障诊断.组合机床与自动化加工技术():.杨洁万安平王景霖等.基于多传感器融合卷积神经网络的航空发动机轴承故障诊断.中国电机工程学报():.:.赵联春马家驹马纯青.载荷对球轴承振动特性的影响.轴承():.赵联春.球轴承振动的研究.杭州:浙江大学.关晓阳龙震海.不同载荷水平条件下重载传动齿轮的振动特性分析.机械传动():.(编辑:张旭)轴承在线采编系统的网址为:.请各位作者认准域名自行注册账号进入“作者投稿系统”根据提示进行投稿相关操作谢谢!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
