基于GAN的軸承故障診斷方法

柴志豪

摘要：針對軸承工作過程中早期故障樣本少、故障類型不平衡的問題，提出一種基于生成式對抗網絡（GAN）的數據增強方法。該方法應用快速傅里葉變換（FFT）對軸承信號進行預處理，然后將頻譜作為GAN的輸入，生成故障樣本數據。最后，將生成的數據與原始數據結合構成新的數據集，并利用支持向量機（SVM）實現故障分類識別。通過軸承實驗和統計學特性驗證，表明該方法可以生成有效故障樣本，同時采用擴充后的新數據集與原始數據集相比診斷準確率更高。

關鍵詞：滾動軸承;故障診斷;生成式對抗網絡;支持向量機

0 ?引言

滾動軸承是旋轉機械中最重要的零件之一，因其復雜的工況和結構極易發生故障，從而造成重大經濟損失。實際應用中，旋轉機械設備多數情況在正常狀態下工作，因此可以收集到的故障數據較少，且存在著故障類型不平衡的問題[1-2]。

目前很多學者針對軸承早期故障診斷展開了大量研究。蘇文勝等提出一種基于EMD和譜峭度法的故障診斷方法，應用EMD對信號進行預處理從而提高診斷率[3];劉晨斐等提出將改進采樣方法和SVM結合，使得樣本達到均衡，從而提高變壓器故障診斷率[4];張思敏應用等角度重采樣提取故障特征，實現齒輪箱故障識別[5];侯文擎等提出一種基于SDAE的方法，得到故障狀態的特征表示，應用Soft-max進行故障分類識別[6]。本文提出一種基于生成式對抗網絡的數據集增強方法，該方法利用GAN強大的特征提取和數據生成能力，解決了非平衡、小樣本條件下軸承故障特征難以提取的問題，通過實驗驗證了其有效性。

1 ?生成式對抗網絡

生成式對抗網絡（generative adversarial networks，GAN）是近年來廣受好評的深度學習模型，基于統計學和博弈論來生成數據樣本，已迅速成為人工智能研究和應用領域中一種非常重要的模型和工具[7-8]。生成式對抗網絡有生成器（G）和判別器（D）兩部分組成，將隨機噪聲z輸入到生成器中，生成器通過學習真實樣本的概率分布pd，利用隨機噪聲z生成逼真的偽樣本，通過不斷訓練生成器以達到以假亂真的目的。判別器則用來區分真實樣本和生成器生成的樣本，二者構成一個動態的博弈過程。理想狀況下生成器生成足以“以假亂真”的樣本，而判別器難以分辨生成的樣本是否真實，此時D（G（z））=0.5，生成式對抗網絡的目標函數loss為[9]：

2 ?基于GAN的故障診斷方法

利用GAN處理原始信號，利用生成信號擴充數據集，并對該包含更多故障信息的數據集應用SVM進行分類，算法流程如圖2所示。

方法步驟如下：

①將原始數據集劃分為訓練集和測試集;

②對信號進行快速傅里葉變換，將得到的頻譜作為GAN的輸入;

③訓練GAN網絡，得到生成樣本并擴充數據集;

④利用SVM對擴充后的數據集進行分類;

⑤根據實驗結果驗證方法有效性。

3 ?實驗驗證分析

3.1 實驗數據采集

本實驗在軸承故障模擬試驗臺（MFS）上進行實驗數據采集。軸承型號為MBER-10K ，振動信號由安裝在軸承殼體上的加速度計在2100rpm（35 Hz）的驅動速度下采集，采樣頻率設置為10240Hz。本實驗模擬軸承的四種運動狀態：正常狀態、滾動子故障狀態、內圈故障狀態和外圈故障狀態。圖3為四種狀態的時域圖。

3.2 統計學特性分析

首先對生成信號和原始信號進行統計學特性分析，依次計算二者的歐氏距離、皮爾遜相關系數和KL散度。歐式距離可體現二者之間的距離并評估其相關性，皮爾遜相關系數為兩變量之間相關性的度量，KL散度評估二者之間的差異。進行三十次實驗，并將結果取平均值。

由表1可知，生成信號與真實信號之間歐氏距離較小，表明其相關度較高;皮爾遜系數為0.7840，表明二者線性相關;KL散度為0.1431表明生成信號與原始信號之間概率分布較小。以上結果表明生成信號與真實信號的概率分布較為接近，滿足故障診斷所需樣本的要求。

3.3 故障診斷結果

四類故障分為四組并分別采集60組振動數據，從每組的數據中隨機中選出40組作為訓練樣本集，其余20組數據作為測試樣本集。將GAN訓練生成的數據按照1：1的比例添加到原始數據集中，應用SVM對擴充后的數據集進行故障分類識別。

將擴充后的數據集與原始數據的分類結果進行對比，基于擴充數據集的平均故障診斷率高達97.3%，基于原始數據集的平均故障診斷率為88.5%。圖4為兩種數據集的分類結果。

圖4中，對原始數據集進行分類，雖然可以實現部分故障的分離，但是滾動子故障與外圈故障混疊嚴重，無法有效分離;圖5利用GAN擴充后的數據集分類后各類型故障聚類更緊密，基本達到完全分離，效果更好。

上述實驗表明，所提出的基于GAN的軸承故障診斷方法有較好的故障分類效果。實驗結果證明，利用GAN算法可以生成有效的仿真信號，從而解決數據不平衡問題，顯著提高了平均故障診斷率。

4 ?結論

綜上所述，為了解決軸承早期故障診斷中振動信號樣本不足、樣本不平衡等問題，本文提出一種基于GAN的軸承故障診斷方法。該方法利用GAN算法的特征提取和樣本生成能力生成有效的仿真信號，實現了小樣本、不平衡下的信號數據集增強，提高了故障診斷模型的識別能力。

參考文獻：

[1]張雪英，欒忠權，劉秀麗.基于深度學習的滾動軸承故障診斷研究綜述[J].設備管理與維修，2017（18）：130-133.

[2]沙美妤，劉利國.基于振動信號的軸承故障診斷技術綜述[J].軸承，2015（09）：59-63.

[3]蘇文勝，王奉濤，張志新，郭正剛，李宏坤.EMD降噪和譜峭度法在滾動軸承早期故障診斷中的應用[J].振動與沖擊，2010，29（03）：18-21，201.

[4]劉晨斐，崔昊楊，李鑫，束江，李亞.不對稱樣本下基于支持向量機的變壓器故障診斷[J].高壓電器，2019，55（07）：216-220.

[5]張思敏.基于啟動電流的轉子系統齒輪箱故障診斷方法研究[D].太原理工大學，2019.

[6]侯文擎，葉鳴，李巍華.基于改進堆疊降噪自編碼的滾動軸承故障分類[J].機械工程學報，2018，54（07）：87-96.

[7]S. Shao， S. McAleer， R. Yan， P. Baldi， Highly-accurate machine fault diagnosis using deep transfer learning， IEEE Trans. Industr. Inform. 2018.

[8]M. Arjovsky， S. Chintala， L. Bottou， Wasserstein gan， arXiv preprint arXiv：1701.07875， 2017.

[9]I. Goodfellow， J. Pouget-Abadie， M. Mirza， B. Xu， D. Warde-Farley， S. Ozair， Y. Bengio， Generative adversarial nets， Adv. Neural Inf. Process. Syst. 2672-2680， 2014.