基于数据生成的滚动轴承故障诊断方法

本发明属于工业设备检测，具体涉及基于数据生成的滚动轴承故障诊断方法。

背景技术：

1、滚动轴承作为旋转类机械设备的“关节”，是各类旋转机械设备中最常见且最容易损坏的零件之一。滚动轴承不仅可以起到支撑载荷、传递转矩的作用，而且能够有效减小磨擦，延长滚动轴承和机械设备的使用寿命，它的平稳高质量运行对机械设备的整体可靠性运转具有决定性作用。在实际运行工况中，滚动轴承通常在瞬时转速高和变载荷等复杂工况下长时间运行，滚动轴承容易产生疲劳、磨损和腐蚀等不可逆损伤。

2、在实际工业应用中，滚动轴承故障数据集通常是不充分的，主要表现为故障样本数量稀少、故障样本标签缺失、各类故障样本数量不均衡等。造成数据不充分的原因有以下几点：第一，机械设备一旦发生故障通常会主动或者被动停机，不可能长时间运行在故障状态下，因此难以获取充足且有代表性的故障样本。第二，受实际设备类型、滚动轴承型号、安装位置、运行工况等因素的影响，获取到的实际故障样本通常缺乏准确可对齐的标签，无法建立准确的识别模型。第三，滚动轴承的损伤和失效是一个长期过程，通常要经过初始阶段、扩展阶段、加速阶段、失效阶段。各阶段滚动轴承的损伤程度不同，能获取到的数据样本量也不尽相同，特别是多点位并发的复合故障类型的有效数据样本更是稀少，因此容易造成实际数据集样本不平衡的特点。现有的故障诊断技术通常需要大量且类间平衡带标签的数据样本，而在面对不充分数据集时，由于缺乏足够的数据，模型的学习能力下降，泛化性能也会受到影响，从而导致在不充分数据条件下的滚动轴承故障诊断应用效果较差。

3、综上所述，迫切需要对不充分数据条件下的滚动轴承故障诊断技术展开更深入的研究。这不仅是确保滚动轴承可靠运行的必要条件，也是确保我国机械设备安全、可靠和高效发展的先决条件。本专利针对不充分数据条件下的滚动轴承故障诊断关键技术展开研究，提出一种基于数据生成的滚动轴承故障诊断方法。

技术实现思路

1、本发明目的在于提供基于数据生成的滚动轴承故障诊断方法，解决了实际工况中的异常样本数量有限，故障诊断精度低的问题。

2、本发明所采用的技术方案是：基于数据生成的滚动轴承故障诊断方法，具体操作步骤如下：

3、步骤1、获取滚动轴承振动信号，振动信号作为真实信号；

4、步骤2、构建生成对抗网络模型tst-gan(time series transformer-generativeadversarial network，tst-gan)，对步骤1获取的真实信号数据进行扩充；

5、步骤3、构建基于时域和频域多尺度特征联合评价机制实现对扩充数据可靠性的判别，确保扩充后数据集的可靠性；

6、步骤4、构建基于通道注意力和全尺度一维卷积神经网络模型(convolutionalneural network based on omni-scale and se net，os-se-cnn)；

7、步骤5、通过步骤3得到的数据集对步骤4中的神经网络模型os-se-cnn进行深度学习训练；

8、步骤6、利用步骤5训练后模型判别故障类型。

9、本发明的特点还在于，

10、步骤1中，通过振动信号传感器对滚动轴承进行信号采集，并将采集的结果进行保存作为原始数据。

11、步骤2构建的生成对抗网络模型tst-gan由两个子网络组成，分别为生成网络和鉴别网络，通过生成网络进行数据的生成，通过鉴别网络对数据进行可靠性检验；其数据生成的具体流程为：

12、步骤2.1：构建生成网络：生成网络的输入为服从(0，1)正态分布的形状为1×100的随机噪声，通过全连接层将数据投影到期望输出的样本形状1×800，再将单个数据点编码生成嵌入向量，升维到1×800×10，再经过多个堆叠的transformer编码器进行特征提取，最后经过一个卷积核大小为1×1的卷积层，实现降维，最终输出形状为1×800的一维时域信号作为生成信号；

13、步骤2.2：构建鉴别网络，鉴别网络的输入为生成器生成的生成信号和步骤1获得的真实信号，鉴别器中的embedding层先将生成信号和真实信号数据均匀分为固定大小的patch块，添加位置编码，并拼接一个分类头，经过transformer编码器的映射后，直接将分类头输出，输出为0或者1，0即代表虚假样本，1代表真实样本；

14、步骤2.3：对步骤2.1的生成器通过神经网络训练，使用梯度下降法求解出最优生成器g*，保留最优生成器g*的训练参数；

15、步骤2.4：使用合页损失函数，使真实数据分布和生成数据分布之间的距离最大化，如式(1-1)

16、

17、式中：

18、——判别器的预测输出；

19、y——真实数据或生成数据的类别；

20、如果则损失为：如果则损失为0；迁移到生成对抗网络tst-gan中，生成器与鉴别器的损失为式(1-2)：

21、

22、式中，ld是鉴别器的损失函数，lg位生成器的损失函数，d(x)为判别器输出，e为期望，g(z)为生成器输出信号。

23、步骤2.3求解最优生成器g*的方法具体如下：

24、取步骤2.1中的随机噪声z，所述随机噪声z通过生成器转化为一个未知的生成数据分布pg(x)，生成器的优化目标就是最小化pg(x)与步骤1原始振动信号的一维真实数据分布pdata(x)之间的分布距离，优化方式如下：

25、判别器的目标函数d*的表达式(2-1)为：

26、

27、v(g,d)是网络中的目标函数，其中，g是生成器，d是判别器，d(x)为判别器的输出，e表示为期望；以求解v(g,d)最大值为目标，当x～pdata(x)，则d(x)尽可能大；如果x～pg(x)，则d(x)尽可能小；根据上述两个表达式可得知求解最优判别器d*的参数；

28、生成器的目标函数g*的表达式(2-2)为：

29、

30、div(pg,pdata)为生成数据分布与真实数据分布的距离差，当距离差最小时生成器的效果最好；将距离差转化为目标函数求解问题，即最优生成器表达式为因此在求解式(2-2)的g*时，判别器已经训练好，于是将写成l(g)，生成器的目标表达式转化成式(2-3)：

31、

32、最终通过神经网络训练，使用梯度下降法求解出g*，此时保留生成器参数并用于下一次模型训练；

33、步骤3通过构建一种基于时域和频域多尺度特征联合评价机制将抽象的评价指标具象化为实际的数值评估，从而对步骤2中扩充的数据样本进行可靠性判别，具体过程如下：

34、步骤3.1、先计算信号样本的时域12种特征和频域12种特征，将这些特征组和成24维的时频域特征向量a，前12维为时域特征值，后12维为频域特征值，并将其归一化后计算真实信号和扩充信号的余弦相似度，作为最终的相似度量化指标；

35、将数据线性地映射到[0,1]范围内，如式(3-1)：

36、

37、式中：

38、min——由特征向量a中所有特征值的最小值构成的向量；

39、max——由特征向量a中所有特征值的最大值构成的向量；

40、anorm——归一化后特征向量。

41、步骤3.2、其中，时域特征有12种，分别为时域最大值、时域最小值、时域峰峰值、时域平均值、时域标准差、时域均方根值、时域峰度、时域歪度、时域峰值因子、时域裕度因子、时域波形因子、能量熵；

42、频域特征有12种，分别为重心频率、平均频率、均方根频率、频率标准差、频谱质心、频谱广度、频谱峰值、频谱熵、频域通量、频域峰度、频域歪度、频谱集中度；

43、联合时域和频域多维特征，构造时频域特征向量，并计算余弦相似性，使衡量生成样本与真实样本相似性的准确率有显著提升；余弦相似性的计算公式如下：

44、

45、其中，真实信号的时频域特征向量为xi，生成信号的时频域特征向量为yi，样本的长度为n，计算生成信号和真实信号的余弦相似性，若相似性结果大于0.90则说明生成信号的可靠性达到要求。

46、步骤4构建基于通道注意力和全尺度一维卷积神经网络模型os-se-cnn的具体如下：

47、所述卷积神经网络模型os-se-cnn从上到下分别为输入层，三层多核卷积块，残差连接，最大池化层，全连接层，输出层；且采用relu函数作为激活函数；

48、对于三层多核卷积块来说其原理遵循下式(4-1)：

49、

50、第i层的卷积核尺寸的集合表示为r(i)，前面两层的卷积核尺寸是1～r'的素数，第三层卷积核尺寸大小为1或者2；三层多核卷积块的感受野为2r'，对于输入长度为l的时域信号，让三层多核卷积块拥有全尺度感受野，只需设置r'的值等于l/2即可；

51、在一维卷积结构中，一维时间序列看作是高h为1，宽w等于序列长度l的图像，一维卷积通道注意力的输入序列经过一维多尺度卷积，输出时间序列x'c的形状为w×c，因此通道注意力计算过程可以简化为两步：

52、通道注意力计算过程包含两步：

53、第一步是挤压过程，将w×c形状的张量经过全局平均池化，即将每个通道上的所有元素进行累加后取平均值，最后输出为1×c的数据fsq(x'c)，即公式(4-2)的fsq过程，其中w指序列的长度，x'c(i,j)为输入的时间序列信号，其中i表示为时间点，j表示为对应的信号值；c为通道；

54、

55、第二步是激励操作，将第一步输出的1×c的数据经过两级全连接，最后用sigmoid将值范围限制到[0,1]，把这个值作为尺度乘到x'c的c个通道上，得到加权后的输出作为下一级的输入数据。

56、步骤5中，将步骤3扩充得到的数据集按2：8的比例划分为训练集和测试集，并将其最大卷积核尺寸r'设置为155～160，并将训练轮次设置为20～25，设置完所需参数之后，使用步骤4构卷积神经网络模型os-se-cnn进行训练，优化模型参数得到最优模型用于之后的故障识别任务。

57、本发明的有益效果是：

58、1)本发明从时频域特征识别角度对振动信号进行了识别，充分利用了多通道监测信息的时频信息变化规律，实现了多通道振动信号的时频信息的同步建模及应用，充分发挥了信息价值。

59、2)本发明构建的基于孪生网络模型架构的两个子网络模型并对其进行了集成，子模型通过卷积神经网络提高了时频信息解析能力，具有很好的适配性。

60、3)本发明构建了一种基于时域和频域多尺度特征联合评价机制，将生成信号抽象的评价机制标准通过实际的数值表示出来，极大的提高了生成数据的可靠性。

61、4)孪生网络模型通过样本对交叉配对的形式，实现了小样本条件下的训练建模，解决了实际工况中机组异常样本数量不足、分布不均等问题。

62、5)本发明所提出的方法具有极强的扩展性，可以根据机组工况样本数据量和数据类型的不断累积和丰富，实现分类数量与正确率的持续丰富和提升。