本发明属于旋转机械设备故障诊断技术领域，特别是涉及一种样本不平衡下基于数据增强的轴承故障识别方法。
背景技术：
滚动轴承是旋转机械中必不可少的零部件，其健康状态直接影响设备的安全稳定运行。由于工业现场环境恶劣，滚动轴承通常工作在交变载荷、高温多尘、重载的情况下，因此随着时间的推移容易受到损伤。据资料表明，旋转机械30％的故障是由轴承失效导致的，因此，对滚动轴承开展状态监测和故障诊断，保证其安全可靠地运行，对工业机械设备系统具有重要意义。
智能化、集成化的现代机械设备使得传感器采集到的轴承数据呈现海量化、复杂化的特点，一旦轴承发生故障，其振动信号往往是非平稳、非线性的时变信号，针对以上问题，采用深度学习的方法能够适应轴承振动数据的特点，在故障阶段自动提取敏感特征，表征被测信号和轴承故障之间的复杂映射关系，实现滚动轴承的智能化故障诊断。然而，智能化的故障诊断方法受限于各个故障状态样本分布的一致性。在真实的工业现场，轴承在线监测系统所采集到的故障数据普遍少于正常数据，样本有限且各个故障类别间样本分布并不平均。将智能化的诊断方法用于不平衡故障分类时，主要故障类别识别率高于次要故障，不利于轴承故障的正确诊断。
生成对抗网络可以生成高分辨率的真实感图片，可以解决样本的不平衡问题。将生成对抗网络应用于轴承故障诊断领域，可以扩充轴承故障样本，解决多数类故障和少数类故障的分类精度问题。但目前尚缺少有效的轴承故障识别方法。
技术实现要素：
为了解决上述问题，本发明的目的在于提供一种样本不平衡下基于数据增强的轴承故障识别方法。
为了达到上述目的，本发明提供的样本不平衡下基于数据增强的轴承故障识别方法包括按顺序进行的下列步骤：
步骤1)采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集；
步骤2)将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本；
步骤3)分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数；
步骤4)将训练好的参数用于测试集，由已训练好的卷积神经网络输出轴承对应的故障类型诊断结果。
在步骤1)中，所述的采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集的方法是：
利用振动信号传感器采集fs频率下滚动轴承在运行过程中的原始振动数据，包括原始正常振动数据和多种原始故障类型振动数据，然后从每种原始故障类型振动数据中随机选取多个数据，每个数据包含多个原始振动数据点，之后对上述所有数据进行归一化处理，最后由归一化后的单一故障类型振动数据和正常振动数据以某一比例组成一个原始振动不平衡数据样本。
在步骤2)中，所述的将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本的方法是：
将符合高斯分布的某类型的随机噪声数据z输入到生成器网络g中，生成一组分布特性为pg的小样本故障类型振动数据g(z)，学习上述该类型的原始故障类型振动数据x的分布特性pd，利用鉴别器网络d判断生成的小样本故障类型振动数据g(z)是否接近于原始故障类型振动数据x，二者对抗直到生成器网络g达到动态平衡，此时当且仅当pg＝pd时，判定随机噪声数据和小样本故障类型振动数据的分布特性基本一致，将此时的小样本故障类型振动数据作为混合原始振动数据的生成数据样本。
在步骤3)中，所述的分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数的方法是：
步骤31：分别对原始振动不平衡数据样本和混合原始振动数据的生成数据样本中的数据x(t)进行希尔伯特变换，得到希尔伯特变换数据：
利用上述希尔伯特变换数据构造解析信号：z(t)＝x(t) jh[x(t)]＝a(t)ejφ(t)，得到的幅值函数a(t)即该为数据的包络信号；
步骤32：对上述包络信号a(t)进行傅里叶变换，得到包络谱信号a(f)；
步骤33：将所有包络谱信号随机分为训练集和测试集，将训练集输入到卷积神经网络中进行训练学习，并用梯度下降法不断更新网络权重和偏置参数，使得迭代过程中各层的残差降到最小限度。
本发明提供的样本不平衡下基于数据增强的轴承故障识别方法的有益效果为：
(1).通过数字信号处理技术提取滚动轴承的故障特征，利用卷积神经网络逐层深化，提高了轴承故障诊断的准确性和工作效率，实现智能化故障识别；
(2).通过生成式对抗网络对轴承故障数据进行数据增强，很好地扩展了故障数据集，解决了实际工况下某些故障类别样本较难采集、故障数据少于正常数据的问题；
(3).对于滚动轴承故障样本不平衡下的故障识别具有明显优势，在数据增强的基础上利用深度学习故障诊断模型解决了样本稀缺的故障识别问题。该方法也适用于其他样本不平衡下的旋转机械故障诊断领域，具有重要工程意义。
附图说明
图1为本发明提供的样本不平衡下基于数据增强的轴承故障识别方法流程图；
图2为本发明方法中步骤2的流程图；
图3为本发明方法中步骤3的流程图；
图4为本发明正常和不同故障状态下原始振动信号的包络谱信号图，图4(a)为正常状态下；图4(b)为内圈故障状态下；图4(c)为滚动体故障状态；图4(d)为外圈故障状态下；
图5为本发明样本不均衡比例下不同故障类型散点分布图，图5(a)为原始振动数据中轴承所有故障类型与正常振动数据比例为1:15的散点分布图，图5(b)为原始振动信号中轴承所有故障类型与正常振动数据比例为1:10的散点分布图，图5(c)为原始振动信号中轴承所有故障类型与正常振动数据比例为1:5的散点分布图，图5(d)为原始振动信号中轴承所有故障类型与正常振动数据比例为1:1的散点分布图；
图6为本发明不同故障状态下wgan生成振动信号时域和原始振动信号时域对比图，图6(a)为原始振动信号正常状态时域图，图6(b)为生成振动信号正常状态时域图，图6(c)为原始振动信号内圈故障时域图，图6(d)为生成振动信号内圈故障时域图，图6(e)为原始振动信号滚动体故障时域图，图6(f)为生成振动信号滚动体故障时域图，图6(g)为原始振动信号外圈故障时域图，图6(h)为生成振动信号正常状态时域图；
图7为本发明样本不均衡下轴承所有故障类型的正确率和采用数据增强的方法下故障类型的正确率对比图
具体实施方式
下面结合附图和具体实施例对本发明提供的样本不平衡下滚动轴承故障识别方法进行详细说明。
如图1所示，本发明提供的样本不平衡下滚动轴承故障识别方法包括按顺序进行的下列步骤：
步骤1)采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集；
利用振动信号传感器采集fs频率下滚动轴承在运行过程中的原始振动数据，包括原始正常振动数据和多种原始故障类型振动数据，然后从每种原始故障类型振动数据中随机选取多个数据，每个数据包含多个原始振动数据点，之后对上述所有数据进行归一化处理，最后由归一化后的单一故障类型振动数据和正常振动数据以某一比例组成一个原始振动不平衡数据样本，用于模拟实际工况下样本不平衡情况；
步骤2)将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本；
如图2所示，具体方法是：
将符合高斯分布的某类型的随机噪声数据z输入到生成器网络g中，生成一组分布特性为pg的小样本故障类型振动数据g(z)，学习上述该类型的原始故障类型振动数据x的分布特性pd，利用鉴别器网络d判断生成的小样本故障类型振动数据g(z)是否接近于原始故障类型振动数据x，二者对抗直到生成器网络g达到动态平衡，此时当且仅当pg＝pd时，判定随机噪声数据和小样本故障类型振动数据的分布特性基本一致，将此时的小样本故障类型振动数据作为混合原始振动数据的生成数据样本。这里为防止梯度消失，采用生成式对抗(wgan)网络。
生成器网络g的最终优化目标为：
判别器网络d的最终优化目标为：
其中，
步骤3)分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数；
如图3所示，具体方法是：
步骤31：分别对原始振动不平衡数据样本和混合原始振动数据的生成数据样本中的数据x(t)进行希尔伯特变换，得到希尔伯特变换数据：
利用上述希尔伯特变换数据构造解析信号：z(t)＝x(t) jh[x(t)]＝a(t)ejφ(t)，得到的幅值函数a(t)即该为数据的包络信号；
步骤32：对上述包络信号a(t)进行傅里叶变换，得到包络谱信号a(f)；
步骤33：将所有包络谱信号随机分为训练集和测试集，将训练集输入到卷积神经网络中进行训练学习，并用梯度下降法不断更新网络权重和偏置参数，使得迭代过程中各层的残差降到最小限度；
步骤4)将训练好的参数用于测试集，由已训练好的卷积神经网络输出轴承对应的故障类型诊断结果。
为了验证本发明方法的可行性，本发明人进行了如下实验：
本实验使用凯斯西储大学轴承实验中心数据集中的数据作为原始振动数据，该数据集中共有四种轴承类型的原始振动数据，包括原始正常振动数据、原始内圈故障数据、原始滚动体故障数据及原始外圈故障数据。采用实验台驱动端的原始振动数据，每种故障类型选取200个数据，每个数据包含1024个原始振动数据点，训练集和测试集比例为3:1。首先对原始振动数据进行故障诊断，对采集到的原始振动数据进行无重叠的滑窗截取，步长设置为1024，然后进行归一化处理，对归一化后的原始振动数据进行希尔伯特变换得到4种轴承类型数据的包络谱信号，如图4所示。设定单一故障类型振动数据和正常振动数据4种不同比例的情况，具体数据散点分布图如图5所示，可以看到，从图5(a)—(d)，当比例逐渐减小至平衡，数据分布情况更清晰，因此样本不平衡不利于正确判断滚动轴承的振动故障类型。选取包络谱信号的前512个原始振动数据点并输入到卷积神经网络中进行训练，以节省计算时间，调整网络参数，最终将测试集输入到已训练好的卷积神经网络中进行滚动轴承的振动故障识别。然后利用生成式对抗网络对4种不同数据比例的情况进行数据增强，生成小样本故障类型振动数据，随机噪声数据生成的小样本故障类型振动数据和原始振动数据的时域图如图6所示。同样输入到卷积神经网络中进行故障识别，分类结果由正确率作为判断指标，如图7所示。表明使用数据增强的本发明方法有利于提高样本不平衡下滚动轴承故障识别的精确度。
1.一种样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：所述的样本不平衡下基于数据增强的轴承故障识别方法包括按顺序进行的下列步骤：
步骤1)采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集；
步骤2)将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本；
步骤3)分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数；
步骤4)将训练好的参数用于测试集，由已训练好的卷积神经网络输出轴承对应的故障类型诊断结果。
2.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤1)中，所述的采集滚动轴承的包括原始正常振动数据和多种原始故障类型振动数据在内的原始振动数据，并利用上述原始振动数据获得多个原始振动不平衡数据样本，由所有原始振动不平衡数据样本构成原始振动不平衡数据集的方法是：
利用振动信号传感器采集fs频率下滚动轴承在运行过程中的原始振动数据，包括原始正常振动数据和多种原始故障类型振动数据，然后从每种原始故障类型振动数据中随机选取多个数据，每个数据包含多个原始振动数据点，之后对上述所有数据进行归一化处理，最后由归一化后的单一故障类型振动数据和正常振动数据以某一比例组成一个原始振动不平衡数据样本。
3.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤2)中，所述的将某类型的随机噪声数据输入到生成器网络中而生成小样本故障类型振动数据，并结合该类型的原始故障类型振动数据而构建成混合原始振动数据的生成数据样本，用于扩展原始振动不平衡数据样本的方法是：
将符合高斯分布的某类型的随机噪声数据z输入到生成器网络g中，生成一组分布特性为pg的小样本故障类型振动数据g(z)，学习上述该类型的原始故障类型振动数据x的分布特性pd，利用鉴别器网络d判断生成的小样本故障类型振动数据g(z)是否接近于原始故障类型振动数据x，二者对抗直到生成器网络g达到动态平衡，此时当且仅当pg＝pd时，判定随机噪声数据和小样本故障类型振动数据的分布特性基本一致，将此时的小样本故障类型振动数据作为混合原始振动数据的生成数据样本。
4.根据权利要求1所述的样本不平衡下基于数据增强的轴承故障识别方法，其特征在于：在步骤3)中，所述的分别对上述某类型的原始振动不平衡数据样本和相应的混合原始振动数据的生成数据样本中的数据进行希尔伯特变换而得到包络谱信号，之后将所有包络谱信号随机分成训练集和测试集，并将训练集输入到卷积神经网络中进行训练，调整网络参数的方法是：
步骤31：分别对原始振动不平衡数据样本和混合原始振动数据的生成数据样本中的数据x(t)进行希尔伯特变换，得到希尔伯特变换数据：
利用上述希尔伯特变换数据构造解析信号：z(t)＝x(t) jh[x(t)]＝a(t)ejφ(t)，得到的幅值函数a(t)即该为数据的包络信号；
步骤32：对上述包络信号a(t)进行傅里叶变换，得到包络谱信号a(f)；
步骤33：将所有包络谱信号随机分为训练集和测试集，将训练集输入到卷积神经网络中进行训练学习，并用梯度下降法不断更新网络权重和偏置参数，使得迭代过程中各层的残差降到最小限度。
技术总结