关键词:
数据增强
深度特征提取
故障检测
故障诊断
摘要:
故障诊断是工业系统健康监测的核心。然而,现有数据驱动的方法往往建立在类别平衡的数据集上,而实际情况下,工业系统的样本往往呈现不平衡分布,这给故障诊断带来挑战。因此,解决不平衡样本问题对于提升设备稳定性、降低能耗、优化生产效率至关重要。数据生成模型通过生成伪故障样本来平衡样本数量,从而提高模型性能和鲁棒性。其中,非线性独立分量估计(Non-linear Independent Component Estimation,NICE)模型能够更准确地描述故障状态,提高特征区分度,进而提高了故障诊断的准确性和可靠性。NICE作为一种数据生成方法,能更好地模拟机械振动信号的特征,为机械设备的健康监测和维护提供有力支持。本文以齿轮箱为研究对象,具体研究内容包括:
(1)针对齿轮箱早期故障检测中故障样本稀缺的问题,提出一种单类深度特征提取(One-Class Deep Feature Extraction,OCDFE)方法。针对零样本故障检测任务的需求,本方法综合NICE和深度自编码器的优势,通过最大化数据的对数似然,使得特征提取器能够学习正常数据的潜在分布。在测试阶段,特征提取器对未知数据进行深度特征提取和合成伪故障特征,以实现对齿轮箱不同类型故障的检测。实验结果表明,OCDFE方法提取的异常特征具有明确的区分度,显著提高故障检测的准确率。
(2)针对故障样本不平衡导致的故障样本不足问题,构建一种基于频域非线性独立分量(Frequency-domain loss Nonlinear Independent Component Estimation,FNICE)的故障样本增强方法。将齿轮箱振动信号转化为频域信号突出故障特征。通过编码器从极其有限的样本中提取关键特征,将其转换为隐空间表示。随后,利用解码器进行逆向采样,生成与原始振动信号相似的样本,生成的样本用于扩充有限的数据集,实现齿轮箱样本的平衡。实验结果表明,与现有的NICE相比,所构建的方法能更有效地生成质量更高的故障样本,显著提升故障诊断的准确率。
(3)针对增强故障数据的故障诊断性能不高的问题,提出了一种双损失非线性独立分量估计(Dual-Loss Nonlinear Independent Component Estimation,DLNICE)方法。该方法综合利用时域损失和频域损失约束隐空间的退火参数,将生成样本与真实样本之间的分布偏差融入NICE采样的退火参数中。通过训练学习监测数据的分布,提升生成样本的脉冲性和循环平稳性。实验结果表明,t-SNE可视化显示了不同故障样本之间的明显边界。在基准实验台上,平均准确率达到88.7%,验证了DLNICE方法的有效性。