不均衡下分類器評(píng)價(jià)輔助GAN的軸承故障診斷方法

中圖分類號(hào)：TB9;TH165.3 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1674-5124（2025）06-0170-09

Bearing fault diagnosis method based on classifier evaluation-assisted GAN under imbalanced samples

ZHANG Yuehong'，YUAN Zhaocheng1，HUANG Fengfei2， ZHANG Kai23， ZHENG Qing2，3

（1.Chengdu Institute of SpecialEquipment Inspectionand Testing， Chengdu 610299，China; 2.School ofMechanical

Engineering，Southwest Jiaotong University，Chengdu 610o31，China;3.TechnologyandEquipmentofRailTransit Operation and Maintenance Key Laboratory of Sichuan Province， Southwest Jiaotong University，

Chengdu 610031， China）

Abstract： The growth of big dataand IoT technology makes rolling bearing data monitoring possble，but most of the datacollcted is information about the normal status.There is less information accessible for different kinds of faults.The ensuing imbalanced normal and fault samples will impact the accuracy of rolling bearing defect identification. A classifier evaluation-assisted generative adversarial networks （CEAGAN） method for roling bearing failure identification under imbalance is proposed to solve this issue. First，the processuses the short-time Fourier transform to extract the time-frequency characteristics of one-dimensional signals. Second， it builds an auxiliary clasification module in the generative adversarial network to constrain the class of the generated samples.Third， the auxiliary classifier and the discriminator jointly score the generated samples to ensure that the generator produces the desired type of samples.Finally，the generated are mixed with the original imbalanced samples to form a new balanced dataset，and the efectiveness of the proposed method is verified by training and testing the constructed convolutional neural network. The experimental results show that， under the Case Western Reserve University bearing public dataset and the real data of wind turbine gearboxes，the proposed method improves the diagnostic accuracy of the imbalanced case by 15.20% and 13.93% ， respectively， which proves that CEAGAN can effectively improve the fault diagnostic accuracy of the imbalanced samples after the data augmentation.

Keywords： roling bearing; fault diagnosis; imbalanced samples; generative adversarial networks

0 引言

滾動(dòng)軸承作為機(jī)械設(shè)備中的關(guān)鍵零部件，通常用于支撐旋轉(zhuǎn)軸與降低摩擦。滾動(dòng)軸承的可靠運(yùn)行對(duì)保障各種旋轉(zhuǎn)機(jī)械（尤其是電梯、起重機(jī)等特種設(shè)備[1）的安全工作極為重要。如果能在滾動(dòng)軸承故障萌發(fā)初期對(duì)其進(jìn)行可靠診斷，提高軸承故障的檢出效率，可有效減少惡性事故的發(fā)生。

傳統(tǒng)裝備計(jì)劃運(yùn)維策略通常依靠專業(yè)人員定期檢修，對(duì)技術(shù)知識(shí)存在極大依賴且維護(hù)周期固定[2]。該方法存在人工檢修成本高昂、故障漏檢誤檢等問題。隨著傳感技術(shù)、大數(shù)據(jù)與人工智能等相關(guān)技術(shù)的快速發(fā)展，以深度學(xué)習(xí)為代表的數(shù)據(jù)驅(qū)動(dòng)故障診斷方法在機(jī)械裝備領(lǐng)域的探索引起了諸多學(xué)者的關(guān)注[3]。深度學(xué)習(xí)故障診斷方法通常基于正常和各種故障的數(shù)據(jù)量一致的假設(shè)下提出。然而，在實(shí)際運(yùn)行中，軸承故障發(fā)生的頻率較低且時(shí)間較短，導(dǎo)致采集到的正常與故障狀態(tài)數(shù)據(jù)極不均衡，這被稱為樣本不均衡問題。在該問題中，模型在學(xué)習(xí)過程中更傾向于多數(shù)類，形成偏斜的決策邊界，影響模型性能[4]。

針對(duì)樣本不均衡問題，通常從算法改進(jìn)和數(shù)據(jù)擴(kuò)充兩個(gè)方面進(jìn)行考慮。算法改進(jìn)主要采用代價(jià)敏感的參數(shù)更新規(guī)則，賦予少數(shù)類更高的代價(jià)權(quán)重，使模型更關(guān)注少數(shù)類樣本。李京泰等[5]結(jié)合代價(jià)敏感和改進(jìn)激活函數(shù)的XGBoost算法，通過基于預(yù)測(cè)結(jié)果的動(dòng)態(tài)梯度提高了對(duì)少數(shù)類樣本的識(shí)別能力。何大偉等[采用改進(jìn)果蠅優(yōu)化算法增大對(duì)故障類樣本錯(cuò)分的懲罰代價(jià)，提升了模型對(duì)軸承故障類樣本的診斷正確率。然而，基于算法改進(jìn)的方法應(yīng)用于不均衡比例變化場(chǎng)景時(shí)，通常會(huì)影響模型的泛化能力[7]。數(shù)據(jù)擴(kuò)充方面通常采用傳統(tǒng)過采樣與樣本生成的方法。CHAWLA等8提出合成少數(shù)類過采樣算法（synthetic minority over-sampling technique，SMOTE），通過計(jì)算樣本間的歐氏距離，選取每個(gè)樣本的部分近鄰進(jìn)行線性插值，合成新的樣本。GOODFELLOW等提出無(wú)監(jiān)督生成對(duì)抗網(wǎng)絡(luò)，通過生成器與判別器的博弈，使生成器能夠生成出更具真實(shí)性的新樣本。然而，上述基于數(shù)據(jù)擴(kuò)充的方法主要應(yīng)用于樣本不均衡比例較小的情形，在樣本不均衡比例較大場(chǎng)景中的有效性尚未得到充分驗(yàn)證。

綜上，針對(duì)故障診斷中正常類與故障類樣本不均衡比例較大情形，本文提出一種不均衡下分類器評(píng)價(jià)輔助生成對(duì)抗網(wǎng)絡(luò)（classifierevaluation-assistedgenerativeadversarialnetworks，CEAGAN）的滾動(dòng)軸承故障診斷方法。生成對(duì)抗網(wǎng)絡(luò)引入輔助分類模塊約束生成器生成樣本的類別，有效擴(kuò)充了故障類樣本數(shù)量，提高了卷積神經(jīng)網(wǎng)絡(luò)分類器的診斷準(zhǔn)確性。本文采用凱斯西儲(chǔ)大學(xué)軸承公開數(shù)據(jù)集與某風(fēng)電場(chǎng)風(fēng)力發(fā)電機(jī)齒輪箱數(shù)據(jù)進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證了該方法在樣本不均衡故障診斷問題中的有效性。

1基礎(chǔ)理論

1.1短時(shí)傅里葉變換時(shí)頻特征提取

滾動(dòng)軸承振動(dòng)信號(hào)是一種典型的非線性不平穩(wěn)信號(hào)，需要確定各頻率成分出現(xiàn)的時(shí)間，將頻率信息與時(shí)間信息關(guān)聯(lián)分析。為此，本文引入以離散傅里葉變換為基礎(chǔ)的短時(shí)傅里葉變換（shorttimeFouriertransform，STFT）將一維振動(dòng)信號(hào)轉(zhuǎn)換成二維時(shí)頻圖[10]，以對(duì)原始信號(hào)進(jìn)行時(shí)頻表征。其基本思想是采用固定窗長(zhǎng)的窗函數(shù)對(duì)時(shí)域信號(hào)進(jìn)行滑窗截取，并對(duì)每段時(shí)域信號(hào)做離散傅里葉變換得到每段信號(hào)的局部頻譜，之后再將這些局部頻譜重新拼接，得到振動(dòng)信號(hào)的時(shí)頻圖，其定義公式為：

式中： —時(shí)域信號(hào);

g（t-τ） ——某個(gè)窗函數(shù)，其中 τ 為窗函數(shù)的中心。

信號(hào)經(jīng)過短時(shí)傅里葉變換后得到的頻率即為該時(shí)刻的瞬時(shí)頻率，此時(shí)得到的時(shí)頻圖同時(shí)包含了信號(hào)的頻域特征和時(shí)域特征。除此之外，對(duì)時(shí)域信號(hào)進(jìn)行時(shí)頻特征提取還降低了樣本生成的難度。

1.2條件生成對(duì)抗網(wǎng)絡(luò)模型

樣本生成能有效緩解不均衡對(duì)故障診斷造成的影響。為解決傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)隨機(jī)生成樣本導(dǎo)致生成結(jié)果不可控的問題，本文引入條件生成對(duì)抗網(wǎng)絡(luò)（ conditional generative adversarial networks，CGAN），其結(jié)構(gòu)如圖1所示。判別器不僅要判斷生成樣本的真假，還要依據(jù)條件信息判斷生成樣本的類別，從而約束生成器進(jìn)行有目的的生成。當(dāng)模型訓(xùn)練充分后，將能夠生成符合條件信息的樣本[1]

CGAN網(wǎng)絡(luò)的生成器與判別器均由全連接網(wǎng)絡(luò)構(gòu)成，通過輸入隨機(jī)噪聲與條件信息，由生成器輸出生成樣本，判別器再依據(jù)所生成的樣本與條件信息做出判斷。訓(xùn)練時(shí)，判別器與生成器互相博弈，其優(yōu)化函數(shù)如下式：

式中： P_data （20 真實(shí)樣本分布；P_z -高斯噪聲分布；x 真實(shí)樣本;z 符合正態(tài)分布的隨機(jī)噪聲；c 條件信息，通常是信號(hào)特征或是標(biāo)簽等。

1.3 Wasserstein距離

生成對(duì)抗網(wǎng)絡(luò)在訓(xùn)練的過程中容易出現(xiàn)模式崩潰與梯度消失問題，為了緩解該問題，本文引入Wasserstein距離作為訓(xùn)練損失函數(shù)，用來度量生成樣本與真實(shí)樣本的分布差異。同時(shí)，引入梯度懲罰項(xiàng)避免梯度消失，提高模型的泛化能力，防止在訓(xùn)練過程中出現(xiàn)過擬合現(xiàn)象[12]。Wasserstein距離可由下式表示：

式中：Pg 生成樣本分布；

Π（P_data，P_g）-P_data 和 P_g 所有可能的聯(lián)合分布概率的集合；

——生成的樣本;

——二者之間的距離。

Wasserstein距離越小表明生成樣本與真實(shí)樣本越接近，梯度懲罰項(xiàng)對(duì)判別器的參數(shù)區(qū)間進(jìn)行截?cái)啵軌蛱岣吣Ｐ陀?xùn)練效率，改善模型收斂慢的問題，其公式為：

式中：V- 梯度因子；α 懲罰項(xiàng)系數(shù)； 1 -生成樣本與真實(shí)樣本的線性插值;I2——計(jì)算二范數(shù)。

2基于生成模型的樣本不均衡故障診斷方法

2.1 CEAGAN模型

CEAGAN作為GAN的一種改進(jìn)模型，其輔助分類器與判別器同時(shí)對(duì)生成樣本進(jìn)行評(píng)分[13]。生成器能夠生成指定類別的更高質(zhì)量樣本擴(kuò)充數(shù)據(jù)集用于后續(xù)訓(xùn)練，從而提高卷積神經(jīng)網(wǎng)絡(luò)分類器對(duì)少數(shù)類故障的辨識(shí)精度，該模型結(jié)構(gòu)與診斷流程如圖2所示。

判別器由卷積層與全連接層構(gòu)成，時(shí)頻圖經(jīng)過卷積層、池化層將維度變換至 64×4×4. 其中每層卷積后均使用LeakyReLU激活函數(shù)提升訓(xùn)練的穩(wěn)定性；最后，經(jīng)過全連接層輸出真假判定結(jié)果。采用帶有梯度懲罰項(xiàng)的Wasserstein距離作為損失函數(shù)，代替原始的參數(shù)裁剪，限制判別器的參數(shù)更新，防止過擬合，其目標(biāo)函數(shù)為：

輔助分類器與判別器結(jié)構(gòu)相似，輸出結(jié)果為One-Hot標(biāo)簽，其損失函數(shù)為：

式中： p（x_i） —目標(biāo)概率分布;q（x_i）. ——分類器預(yù)測(cè)概率分布。

生成器由全連接層與反卷積層組成，通過將維數(shù)為100的隨機(jī)噪聲 z 與One-Hot標(biāo)簽信息拼接作為生成器的輸入，經(jīng)過全連接層將維度升高至2048;其次，通過反卷積層、ReLU函數(shù)與批量標(biāo)準(zhǔn)化層處理，模型底層引入Sigmoid激活函數(shù)加快收斂，最終得到通道數(shù)為1、大小為 32×32 的時(shí)頻圖。生成網(wǎng)絡(luò)的優(yōu)化函數(shù)為：

2.2基于CEAGAN的滾動(dòng)軸承故障診斷方法

本文所提出的樣本不均衡下基于CEAGAN的故障診斷流程主要分為數(shù)據(jù)預(yù)處理、模型訓(xùn)練與故障識(shí)別三個(gè)部分。其詳細(xì)故障診斷流程見圖2，具體步驟如下：

步驟1：通過加速度傳感器采集不同狀態(tài)的滾動(dòng)軸承振動(dòng)信號(hào)。

步驟2：通過滑窗對(duì)振動(dòng)信號(hào)進(jìn)行分割，并對(duì)分割后的片段做短時(shí)傅里葉變換，以轉(zhuǎn)換成帶有時(shí)頻域特征的二維圖像。

步驟3：構(gòu)建CEAGAN生成模型，將訓(xùn)練集的真實(shí)樣本輸入到模型中進(jìn)行訓(xùn)練，達(dá)到最大訓(xùn)練次數(shù)后生成足夠數(shù)量的生成樣本。

步驟4：將生成樣本與真實(shí)樣本混合，構(gòu)成新的訓(xùn)練集。

步驟5：利用新的訓(xùn)練集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)分類器，模型訓(xùn)練充分后，輸入運(yùn)行數(shù)據(jù)，輸出診斷結(jié)果。

3 實(shí)例驗(yàn)證

3.1 實(shí)驗(yàn)數(shù)據(jù)

3.1.1 模擬實(shí)驗(yàn)臺(tái)數(shù)據(jù)

本文首先采用美國(guó)凱斯西儲(chǔ)大學(xué)的軸承公開數(shù)據(jù)集[14]進(jìn)行驗(yàn)證。該數(shù)據(jù)集包含正常狀態(tài)軸承振動(dòng)信號(hào)與故障軸承振動(dòng)信號(hào)，其中故障是由電火花技術(shù)加工得到的單點(diǎn)故障，分布于軸承的滾動(dòng)體、內(nèi)圈與外圈。如圖3所示，本實(shí)驗(yàn)使用的正常數(shù)據(jù)與故障振動(dòng)數(shù)據(jù)均來自于電動(dòng)機(jī)的驅(qū)動(dòng)端滾動(dòng)軸承，型號(hào)為SKF6205，采樣頻率為 12kHz 。本實(shí)驗(yàn)融合了四種轉(zhuǎn)速下的振動(dòng)數(shù)據(jù)，將數(shù)據(jù)集中的軸承健康狀態(tài)分為四類，分別為正常狀態(tài)、滾動(dòng)體故障、內(nèi)圈故障與外圈故障。

3.1.2 工程應(yīng)用驗(yàn)證

為驗(yàn)證所提方法在實(shí)際工業(yè)環(huán)境下的有效性，本部分采用某風(fēng)電場(chǎng)中的2MW風(fēng)力發(fā)電機(jī)齒輪箱數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證[15]。該風(fēng)電機(jī)組傳動(dòng)系統(tǒng)結(jié)構(gòu)圖見圖4，齒輪箱主要包括一級(jí)行星齒輪系與二級(jí)平行齒輪系，各齒輪齒數(shù)與傳動(dòng)比見表1。

實(shí)驗(yàn)數(shù)據(jù)由振動(dòng)狀態(tài)監(jiān)測(cè)系統(tǒng)（CMS）采集，用于實(shí)時(shí)監(jiān)測(cè)齒輪箱健康狀態(tài)。實(shí)驗(yàn)選取的是故障報(bào)警兩個(gè)月前的數(shù)據(jù)，由位于平行齒輪系中間軸輸出末端的振動(dòng)傳感器采集得到。實(shí)驗(yàn)數(shù)據(jù)包括正常狀態(tài)、行星架前軸承滾珠磨損（BW）、中間軸小齒輪后軸承保持架損傷（RBR）、中間軸大齒輪點(diǎn)蝕（PC）、中間軸大齒輪后軸承滾珠剝落（BFL）五種健康狀態(tài)，故障狀況如圖5所示。故障軸承均為滾動(dòng)軸承，具體型號(hào)見表2。

3.2數(shù)據(jù)預(yù)處理與實(shí)驗(yàn)參數(shù)設(shè)置

本實(shí)驗(yàn)在數(shù)據(jù)劃分時(shí)，將每個(gè)樣本長(zhǎng)度設(shè)定為2048，對(duì)每類狀態(tài)振動(dòng)數(shù)據(jù)進(jìn)行滑窗采樣，每次滑窗無(wú)重疊。采樣完畢后，對(duì)每個(gè)樣本做短時(shí)傅里葉變換（如圖6所示），轉(zhuǎn)換成 32×32 的二維時(shí)頻特征圖輸入到模型中進(jìn)行訓(xùn)練。

實(shí)驗(yàn)通過隨機(jī)刪減指定數(shù)量的訓(xùn)練集樣本，用于制造不同不均衡比例的數(shù)據(jù)集。對(duì)于美國(guó)凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集，本實(shí)驗(yàn)共設(shè)置了四種訓(xùn)練樣本不均衡場(chǎng)景，各類測(cè)試集樣本數(shù)量相等，均為120條，共480條測(cè)試樣本，樣本具體數(shù)量如表3所示。對(duì)于風(fēng)力發(fā)電機(jī)齒輪箱數(shù)據(jù)集，本實(shí)驗(yàn)共設(shè)置了三種樣本不均衡比例，其中每類測(cè)試集樣本數(shù)量相等，均為400條，共2000條測(cè)試樣本，樣本具體數(shù)量如表4所示。

本文所提方法各模塊網(wǎng)絡(luò)結(jié)構(gòu)具體參數(shù)如表5所示。訓(xùn)練過程中，采用Adam優(yōu)化算法進(jìn)行參數(shù)優(yōu)化。在CEAGAN樣本生成部分，生成器、輔助分類器學(xué)習(xí)率為0.0001，判別器學(xué)習(xí)率為0.0003，批量大小設(shè)置為16，共訓(xùn)練300輪。在CNN樣本分類部分，分類器學(xué)習(xí)率設(shè)置為0.001，批量大小設(shè)置為128，訓(xùn)練100輪。實(shí)驗(yàn)部分均采用同樣的參數(shù)設(shè)置。CEAGAN與CNN模型基于Pytorch深度學(xué)習(xí)框架構(gòu)建，試驗(yàn)設(shè)備配置：Windows10的64位操作系統(tǒng)，CPU為IntelXeonSilver 4210R@2.4 GHz，GPU為NVIDIAGeForceRTX3090。

3.3 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證基于CEAGAN故障診斷方法在樣本不均衡情景下的有效性，本文選用CNN、SMOTE[8]CGAN[11]、ACGAN[13]作為對(duì)比方法進(jìn)行對(duì)比實(shí)驗(yàn)。其中CNN通過卷積層對(duì)STFT處理后的時(shí)頻圖進(jìn)行深層特征提取，再利用全連接層進(jìn)行分類；SMOTE通過尋找少數(shù)類的近鄰點(diǎn)，隨機(jī)插值合成新樣本并與原始樣本混合，再利用CNN進(jìn)行分類；CGAN與ACGAN通過對(duì)少數(shù)類進(jìn)行生成，并與原始真實(shí)樣本混合構(gòu)成新數(shù)據(jù)集，最后利用CNN進(jìn)行特征提取并輸出分類結(jié)果。為客觀地反映各方法的性能，本部分的實(shí)驗(yàn)結(jié)果均采用10次測(cè)試準(zhǔn)確率的平均值作為最終評(píng)價(jià)指標(biāo)，同時(shí)計(jì)算了準(zhǔn)確率的標(biāo)準(zhǔn)差以評(píng)估模型的穩(wěn)定性。

3.3.1模擬實(shí)驗(yàn)臺(tái)數(shù)據(jù)實(shí)驗(yàn)結(jié)果

凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)集樣本不均衡情況下的實(shí)驗(yàn)對(duì)比結(jié)果如表6所示，并依據(jù)此表繪制柱狀圖如圖7所示。

由實(shí)驗(yàn)結(jié)果可看出，隨著訓(xùn)練集中樣本不均衡比例上升，模型對(duì)少數(shù)類樣本的學(xué)習(xí)不夠充分，CNN的診斷準(zhǔn)確率逐漸下降，當(dāng)不均衡比例達(dá)到70：1時(shí)，CNN的平均準(zhǔn)確率只有 72.79% 。由于SMOTE、CGAN與ACGAN對(duì)少數(shù)類樣本進(jìn)行生成補(bǔ)充，能夠減少模型受不均衡數(shù)據(jù)集的影響。當(dāng)數(shù)據(jù)集極端不均衡時(shí)，可供模型訓(xùn)練的每類故障僅有極少數(shù)的十條樣本，使得生成模型生成的樣本質(zhì)量降低，準(zhǔn)確率顯著下降，但是本文提出的CEAGAN仍在幾個(gè)生成模型中表現(xiàn)最佳，診斷準(zhǔn)確率達(dá)到90.98% 。

為了進(jìn)一步展現(xiàn)提出方法在樣本不均衡情況下每類健康狀態(tài)樣本的詳細(xì)分類情況，本文繪制了C3數(shù)據(jù)集下各方法的混淆矩陣，如圖8所示

可看出，正常類樣本充足的情況下，各方法對(duì)正常狀態(tài)的識(shí)別精度都能達(dá)到 100% 。如圖8（a）所示，當(dāng)樣本不均衡比例較大時(shí)，將數(shù)據(jù)直接輸入到CNN網(wǎng)絡(luò)中會(huì)導(dǎo)致模型對(duì)少數(shù)類樣本學(xué)習(xí)不足，在輸出診斷結(jié)果時(shí)存在較嚴(yán)重的誤判，導(dǎo)致整體準(zhǔn)確率降低。從圖8（d）和（e）可知，利用帶有梯度懲罰項(xiàng)的Wasserstein距離作為損失函數(shù)改進(jìn)的CEAGAN，其生成樣本的有效性優(yōu)于ACGAN，提高了CNN對(duì)少數(shù)類故障的辨識(shí)精度。

為了反映所提方法的敏感性與特異性，本文繪制了各方法在C3和C4數(shù)據(jù)集中的ROC曲線以及本文提出方法在各數(shù)據(jù)集中的表現(xiàn)，曲線與坐標(biāo)軸所圍面積越大表明模型的性能越優(yōu)。

由圖9可看出，在C3數(shù)據(jù)集下，ACGAN的ROC曲線所圍面積達(dá)到0.9938，表現(xiàn)與CEAGAN相當(dāng)，表明在非極端不均衡場(chǎng)景下，ACGAN也能緩解樣本不均衡問題；而在C4數(shù)據(jù)集下，CEAGAN的ROC曲線與坐標(biāo)軸所圍面積達(dá)到0.9811，明顯優(yōu)于其他對(duì)比方法，表明CEAGAN在極端不均衡場(chǎng)景下仍能發(fā)揮較好的性能。

3.3.2工程應(yīng)用驗(yàn)證實(shí)驗(yàn)結(jié)果

不均衡數(shù)據(jù)經(jīng)過各數(shù)據(jù)增強(qiáng)方法擴(kuò)充后，其診斷結(jié)果對(duì)比如表7所示，并根據(jù)結(jié)果繪制柱狀圖如圖10所示。

由實(shí)驗(yàn)結(jié)果可看出，各數(shù)據(jù)增強(qiáng)方法對(duì)不均衡數(shù)據(jù)擴(kuò)充后，故障診斷準(zhǔn)確率均有不同程度的提升。

在D3數(shù)據(jù)集下，CGAN與SMOTE對(duì)數(shù)據(jù)進(jìn)行合成擴(kuò)充后，診斷準(zhǔn)確率僅保持在 90% 左右，而本文所提方法的診斷準(zhǔn)確率仍能保持 95% 以上，能夠滿足工程應(yīng)用故障診斷需要。

為進(jìn)一步探究所提方法擴(kuò)充不均衡數(shù)據(jù)對(duì)分類模型訓(xùn)練的影響，以D3為例，本實(shí)驗(yàn)還對(duì)數(shù)據(jù)擴(kuò)充前后分類模型特征提取能力進(jìn)行對(duì)比。利用 t- distributed stochasticneighbor embedding（t-sne）技術(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)全連接層前一層特征降維可視化，其結(jié)果如圖11與圖12所示。

由t-sne降維可視化圖可看出，不均衡數(shù)據(jù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的特征提取能力有較嚴(yán)重的影響，除正常狀態(tài)樣本外，其余少數(shù)類故障樣本經(jīng)過特征提取后，其特征仍然存在較大的混疊區(qū)域，這將造成分類器的誤判。當(dāng)數(shù)據(jù)經(jīng)過本文所提方法數(shù)據(jù)增強(qiáng)后，各類樣本特征在降維后均有較明顯的邊界，少數(shù)混疊也在實(shí)際應(yīng)用的可控范圍內(nèi)。

4結(jié)束語(yǔ)

針對(duì)滾動(dòng)軸承故障診斷過程中正常類與故障類樣本不均衡導(dǎo)致模型對(duì)少數(shù)類樣本辨識(shí)精度低的問題，本文提出了不均衡下分類器評(píng)價(jià)輔助生成對(duì)抗網(wǎng)絡(luò)的故障診斷方法，并在模擬試驗(yàn)臺(tái)數(shù)據(jù)與實(shí)際工程應(yīng)用數(shù)據(jù)中驗(yàn)證了該方法在樣本不均衡場(chǎng)景下的有效性。得到如下結(jié)論：

1）基于CEAGAN的滾動(dòng)軸承故障診斷方法在兩種數(shù)據(jù)下對(duì)比不均衡情形均有不同程度的提升，表明CEAGAN能夠生成有效樣本對(duì)不均衡數(shù)據(jù)進(jìn)行擴(kuò)充，從而提高故障診斷準(zhǔn)確率。

2）樣本均衡前后分類模型提取特征的降維可視化結(jié)果可看出，經(jīng)過CEAGAN數(shù)據(jù)增強(qiáng)后的樣本訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，可有效提高分類模型的特征提取能力。

3）CEAGAN對(duì)比ACGAN在各不均衡數(shù)據(jù)集下的表現(xiàn)均有提升，表明引入帶有梯度懲罰項(xiàng)的Wasserstein距離能夠增強(qiáng)模型的生成能力，提高診斷模型辨識(shí)準(zhǔn)確率。

本文所提方法在滾動(dòng)軸承模擬實(shí)驗(yàn)臺(tái)與實(shí)際工程數(shù)據(jù)中進(jìn)行驗(yàn)證，為樣本不均衡下的滾動(dòng)軸承故障診斷提供一種新的技術(shù)方案。然而，在滾動(dòng)軸承實(shí)際運(yùn)行中，除樣本不均衡外，通常還面臨變工況、強(qiáng)噪聲等問題，因此后續(xù)研究可以考慮不均衡問題與其他更加貼合實(shí)際工程應(yīng)用的問題結(jié)合，進(jìn)而構(gòu)建更為全面且能夠適應(yīng)更加復(fù)雜的運(yùn)行環(huán)境的故障診斷模型。

參考文獻(xiàn)

[1]喻和平，李雪藩.一起軸承磨損引起的電梯故障[J].中國(guó)特 種設(shè)備安全，2008，24（3）：57-58.

[2]張豪，劉其洪，李偉光，等.基于1DCNN特征提取和 RF分 類的滾動(dòng)軸承故障診斷[J/OL].中國(guó)測(cè)試：1-7.[2023-09- 21].http：//ns.cnki.net/kcms/detail/51.1714.TB.20230220.170 3.004.html. ZHANGH，LIUQH，LIWG，et al.Rollingbearing fault diagnosis based on 1DCNN feature extraction and RF classification[J/OL]. China Measurement amp; Test：1-7.[2023- 09-21].http：//kns.cnki.net/kcms/detail/51.1714.TB.20230220. 1703.004.html.

[3]趙磊，張永祥，朱丹宸.復(fù)雜裝備滾動(dòng)軸承的故障診斷與預(yù) 測(cè)方法研究綜述[J].中國(guó)測(cè)試，2020，46（3）：17-25. ZHAO L， ZHANG Y X， ZHU D C.Review on rolling bearing fault diagnosis and prognostic for complex equipment[J]. China Measurement amp; Test， 2020， 46（3）： 17-25.

[4]ZAREAPOOR M ，SHAMSOLMOALI P，YANG J. Oversampling adversarial network forclass-imbalanced fault diagnosis[J]. Mechanical Systems and Signal Processing， 2021，149：107175.

[5]李京泰，王曉丹.基于代價(jià)敏感激活函數(shù)XGBoost的不平 衡數(shù)據(jù)分類方法[J].計(jì)算機(jī)科學(xué)，2022，49（5）：135-143. LIJT，WANGXD.XGBoost for imbalancedDatabased on cost-sensitive activation function[J]. Computer Science， 2022， 49（5）： 135-143.

[6] 何大偉，彭靖波，胡金海，等.基于改進(jìn) FOA優(yōu)化的CSSVM軸承故障診斷研究[J].振動(dòng)與沖擊，2018，37（18）：108- 114. HEDW，PENGJB，HUJH，etal.Bearing fault diagnosis based on a modified CS-SVM model optimized byan improved FOA algorithm[J]. Journal of Vibration and Shock， 2018， 37（18）： 108-114.

[7]郭俊鋒，王淼生，孫磊，等.基于生成對(duì)抗網(wǎng)絡(luò)的滾動(dòng)軸承不 平衡數(shù)據(jù)集故障診斷新方法[J].計(jì)算機(jī)集成制造系統(tǒng)， 2022，28（9）：2825-2835. GUOJF，WANG M S，SUNL，etal.Newmethod offault diagnosis for rolling bearing imbalance data set based on generative adversarial network[J]. Computer Integrated Manufacturing Systems， 2022，28（9）： 2825-2835.

[8]CHAWLANV，BOWYER KW，HALL L O， et al.SMOTE： synthetic minority over-sampling technique[J].AI Access Foundation，2002，16：321-357.

[9]GOODFELLOW I， POUGET-ABADIE J，MIRZA M， et al. Generativeadversarialnets[C]//NeuralInformation Processing Systems. MIT Press， 2014.

[10]李恒，張氫，秦仙蓉，等.基于短時(shí)傅里葉變換和卷積神經(jīng)網(wǎng) 絡(luò)的軸承故障診斷方法[J].振動(dòng)與沖擊，2018，37（19）：124- 131. LI H， ZHANG Q，QINXR， et al. Fault diagnosis method for rolling bearings based on short-time Fourier transform and convolution neural network[J]． Journal of Vibration and Shock，2018， 37（19）： 124-131.

[11]孫權(quán)，彭飛，李宏勝，等.樣本不均衡下基于CGAN-CNN的 逆變器故障診斷方法[J/OL].電源學(xué)報(bào)：1-14.[2023-02- 19]. http：//ns.cnki.net/kcms/detail/12.1420.tm.20220601. 1854.002.html. SUNQ， PENGF，LI HS，et al. Imbalanced Samples Fault Detection Using CGAN-CNN for Power Inverter[J/OL]. Journal of Power Supply： 1-14.[2023-02-19]. http：//kns.cnki. net/kcms/detail/12.1420.tm.20220601.1854.002.html.

[12]蘇元浩，孟良，許同樂，等.不平衡數(shù)據(jù)集下優(yōu)化WGAN的 風(fēng)電機(jī)組齒輪箱故障診斷方法[J].太陽(yáng)能學(xué)報(bào)，2022， 43（11）： 148-155. SU Y H， MENG L，XU TL， et al. Wind turbine gearbox fault diagnosis method for optimized wgan with unbalanced data sets[J].Acta Energiae Solaris Sinica，2022，43（11）： 148-155.

[13] SHAOS，WANGP，YANR.Generative adversarial networks for data augmentation in machine fault diagnosis[J]. Computers in Industry，2019，106： 85-93.

[14]Case Western Reserve University. Bearing Data Center. [EB/OL]. http：//bearingdatacenter.case.edu/welcome.html.

[15]ZHANGK，TANG B，DENG L，etal.A hybrid attention improved ResNet based fault diagnosis method of wind turbines gearbox[J].Measurement， 2021， 179： 109491.

（編輯：譚玉龍）