留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

样本不均衡时轴承故障的非平衡卷积网络诊断

裴红蕾

裴红蕾. 样本不均衡时轴承故障的非平衡卷积网络诊断[J]. 制造技术与机床, 2023, (4): 174-180. doi: 10.19287/j.mtmt.1005-2402.2023.04.027
引用本文: 裴红蕾. 样本不均衡时轴承故障的非平衡卷积网络诊断[J]. 制造技术与机床, 2023, (4): 174-180. doi: 10.19287/j.mtmt.1005-2402.2023.04.027
PEI Honglei. Unbalanced convolution network diagnosis of bearing faults under imbalanced samples condition[J]. Manufacturing Technology & Machine Tool, 2023, (4): 174-180. doi: 10.19287/j.mtmt.1005-2402.2023.04.027
Citation: PEI Honglei. Unbalanced convolution network diagnosis of bearing faults under imbalanced samples condition[J]. Manufacturing Technology & Machine Tool, 2023, (4): 174-180. doi: 10.19287/j.mtmt.1005-2402.2023.04.027

样本不均衡时轴承故障的非平衡卷积网络诊断

doi: 10.19287/j.mtmt.1005-2402.2023.04.027
基金项目: 年度宜兴市科技创新专项科技攻关项目(2021SF04)
详细信息
    作者简介:

    裴红蕾,女,1982年生,硕士,副教授,教研室主任,主要从事机械故障诊断、机械设计等方面的研究,已发表论文30余篇,中国轻工业职业教育青年教学能手、宜兴市学科带头人。E-mail: peihonglei1982@163.com

    通讯作者:

    裴红蕾,女,1982年生,硕士,副教授,教研室主任,主要从事机械故障诊断、机械设计等方面的研究,发表论文30余篇,中国轻工业职业教育青年教学能手、宜兴市学科带头人。E-mail: peihonglei1982@163.com

  • 中图分类号: TH133, TP391

Unbalanced convolution network diagnosis of bearing faults under imbalanced samples condition

  • 摘要: 为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

     

  • 图  1  轴承结构及参数

    图  2  振动信号频率分布

    图  3  变分自编码器网络结构

    图  4  孪生神经网络结构

    图  5  非平衡损失网络结构

    图  6  轴承试验台

    图  7  增广样本

    图  8  不同诊断方案的混淆矩阵

    表  1  轴承故障特征频率

    故障位置特征频率
    内圈故障${f_{{\rm{IR}}} } = \dfrac{Z}{2}\left( {1 + \dfrac{d}{D}\cos \alpha } \right){f_r}$
    滚动体故障${f_{\rm{B}}} = \dfrac{D}{ {2d} }\left( {1 - { {\left( {\dfrac{d}{D} } \right)}^2}\cos \alpha } \right){f_r}$
    外圈故障${f_{{\rm{OR}}} } = \dfrac{Z}{2}\left( {1 - \dfrac{d}{D}\cos \alpha } \right){f_r}$
    下载: 导出CSV

    表  2  非平衡损失网络结构参数

    网络名称网络结构输出维度
    输入层1 000×11 000×1
    卷积层1卷积层参数(1,16,5,4)16×249
    池化层1池化层参数(3,2)16×124
    卷积层2卷积层参数(16,16,5,2)16×62
    池化层2池化层参数(3,3)16×20
    全连接层1神经元数(320,64)64
    全连接层2神经元数(64,5)5
    下载: 导出CSV

    表  3  样本增广相似度

    样本对抗网络增广相似度孪生网络增广相似度
    滚动体0.014"故障0.8870.916
    外圈0.007"故障0.8350.896
    内圈0.014"故障0.8510.926
    外圈0.014"故障0.8150.899
    整体样本0.8470.903
    下载: 导出CSV

    表  4  不同方案的诊断准确率

    方法诊断准确率/(%)
    非均衡样本+非平衡损失网络89.48
    增广样本+卷积网络91.73
    增广样本+自适应深度学习94.78
    增广样本+非平衡损失网络98.90
    下载: 导出CSV
  • [1] 刘前进, 高丙朋, 宋振军, 等. 基于参数优化变分模态分解的变速工况下轴承故障诊断[J]. 轴承, 2022(8): 71-78.
    [2] Alabsi M, Liao Y, Nabulsi A A. Bearing fault diagnosis using deep learning techniques coupled with handcrafted feature extraction: a comparative study[J]. Journal of Vibration and Control, 2021, 27(3-4): 404-414. doi: 10.1177/1077546320929141
    [3] 朵慕社, 纪国宜. 基于Hilbert-Huang变换和残差神经网络的轴承故障诊断[J]. 制造业自动化, 2022, 44(6): 20-23.
    [4] Soother D K, Kalwar I H, Hussain T, et al. A novel method based on UNET for bearing fault diagnosis[J]. Computers, Materials and Continua, 2021, 69(1): 393-408. doi: 10.32604/cmc.2021.014941
    [5] 雷高伟, 张清华, 苏乃权, 等. 基于深度学习与电子听诊器的轴承故障诊断[J]. 机床与液压, 2022, 50(9): 210-214.
    [6] 曹梦婷, 谷玉海, 王红军, 等. 基于GRU与迁移学习的滚动轴承故障诊断[J]. 现代制造工程, 2022(1): 143-147.
    [7] Neupane D, Seok J. Bearing fault detection and diagnosis using case western reserve university dataset with deep learning approaches: A review[J]. IEEE Access, 2020, 8: 93155-93178.
    [8] 金江涛, 许子非, 李春, 等. 基于深度学习与混沌特征融合的滚动轴承故障诊断[J]. 控制理论与应用, 2022, 39(1): 109-116.
    [9] 王亚辉, 刘德平, 王宇. 基于GSA-VMD和自适应CNN的滚动轴承故障诊断[J]. 组合机床与自动化加工技术, 2022(7): 85-89.
    [10] Li B, Tong R, Kang J, et al. Bearing fault diagnosis using synthetic quantitative index-based adaptive underdamped stochastic resonance[J]. Mathematical Problems in Engineering, 2021, 2021(19): 1-10.
    [11] 张中洋. 少样本条件下的滚动轴承故障诊断方法研究[D]. 南京: 南京信息工程大学, 2022.
    [12] Harefa E, Zhou W. Performing sequential forward selection and variational autoencoder techniques in soil classification based on laser-induced breakdown spectroscopy[J]. Analytical Methods:Advancing Methods and Applications, 2021, 13(41): 4926-4933.
    [13] 许泽伟, 彭珍瑞, 张亚峰, 等. 基于多项式混沌展开和KL散度的随机有限元模型修正[J]. 机械强度, 2021, 43(6): 1297-1302.
    [14] Kingma D P, Salimans T, Welling M. Variational dropout and the local reparameterization trick [C]. Proceedings of the 28th International Conference on Neural Information Processing Systems.US:MIT Press,2015.
    [15] 刘岱, 常东润, 孙习习, 等. 基于卷积孪生神经网络的滚动轴承故障定位方法[J]. 机电工程, 2022, 39(03): 309-316. doi: 10.3969/j.issn.1001-4551.2022.03.004
    [16] Zhang X, Nie J, Zong L, et al. One shot learning with margin[C]//Pacific-Asia Conference on Knowledge Discovery and Data Mining. Macau: Springer, Cham, 2019: 305-317.
    [17] 李中, 卢春华, 王星, 等. 考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法[J]. 科学技术与工程, 2022, 22(4): 1441-1448.
    [18] 王琦, 邓林峰, 赵荣珍. 基于改进一维卷积神经网络的滚动轴承故障识别[J]. 振动与冲击, 2022, 41(3): 216-223.
    [19] 张中洋. 少样本条件下的滚动轴承故障诊断方法研究[D]. 南京: 南京信息工程大学, 2022
    [20] 贾峰, 李世豪, 沈建军, 等. 采用深度迁移学习与自适应加权的滚动轴承故障诊断[J]. 西安交通大学学报, 2022, 56(8): 1-10.
  • 加载中
图(8) / 表(4)
计量
  • 文章访问数:  62
  • HTML全文浏览量:  25
  • PDF下载量:  13
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-12-05
  • 录用日期:  2023-02-16

目录

    /

    返回文章
    返回