基于CWGAN-GP与CNN的轴承故障诊断方法

doi:10.3969/j.issn.1006-2475.2023.07.001

摘要/Abstract

摘要： 摘要：针对在实际工作过程中轴承故障样本数偏少且不均衡的问题，提出一种基于条件Wasserstein生成对抗网络（CWGAN-GP）和卷积神经网络（CNN）的轴承故障诊断方法。首先，通过结合条件生成对抗网络（CGAN）和基于梯度惩罚Wasserstein距离的生成对抗网络（WGAN-GP），构建CWGAN-GP生成对抗网络；然后，将少量轴承故障的数据样本输入CWGAN-GP中，以得到与原始样本相似的高质量样本，待网络达到纳什均衡时将生成样本和原始样本混合，产生新的样本集；最后，将新样本集输入卷积神经网络学习样本特征进行故障诊断。实验结果表明，本文提出的诊断方法准确度超过99%，高于其他诊断方法，有效提高了诊断精度，增强了其泛化能力。

关键词: 关键词：故障诊断, 深度学习, 轴承, 生成对抗网络, 卷积神经网络

Abstract: Abstract： Aiming at the problem that the number of bearing fault samples is small and unbalanced in the actual work process， a bearing fault diagnosis method based on Conditional Wasserstein Generative Adversarial Network （CWGAN-GP） and Convolutional Neural Network （CNN） is proposed. First， a CWGAN-GP generative adversarial network is constructed by combining conditional generative adversarial network （CGAN） and gradient penalized Wasserstein distance-based generative adversarial network （WGAN-GP）. Then， a small number of bearing fault data samples are input into CWGAN-GP， in order to obtain high-quality samples similar to the original samples. When the network reaches the Nash equilibrium， the generated samples and the original samples are mixed to generate a new sample set. Finally， the new sample set is input into the convolutional neural network to learn the sample features for fault diagnosis. The experimental results show that the diagnostic accuracy of the diagnostic method proposed in this paper exceeds 99%， which is higher than other diagnostic methods， effectively improving the diagnostic accuracy and enhancing its generalization ability.

Key words: Key words： fault diagnosis, deep learning, bearing, generative adversarial network, convolutional neural network

中图分类号:

TP202

江蕾, 唐建, 杨超越, 吕婷婷. 基于CWGAN-GP与CNN的轴承故障诊断方法[J]. 计算机与现代化, 2023, 0(07): 1-6.

JIANG Lei, TANG Jian, YANG Chao-yue, LYU Ting-ting. Bearing Fault Diagnosis Based on CWGAN-GP and CNN[J]. Computer and Modernization, 2023, 0(07): 1-6.

参考文献［29］

［1］	YIN H， LI Z Z， ZUO J K， et al. Wasserstein generative adversarial network and convolutional neural network （WG-CNN） for bearing fault diagnosis［J］. Mathematical Problems in Engineering， 2020（6）：1-16.
［2］	JANSSENS O， SLAVKOVIKJ V， VERVISCH B， et al. Convolutional neural network based fault detection for rotating machinery［J］. Journal of Sound and Vibration， 2016，377：331-345.
［3］	WEN L， LI X Y， GAO L， et al. A new convolutional neural network-based data-driven fault diagnosis method［J］. IEEE Transactions on Industrial Electronics， 2018，65（7）：5990-5998.
［4］	PAN J， ZI Y Y， CHEN J L， et al. LiftingNet： A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification［J］. IEEE Transactions on Industrial Electronics， 2018，65（6）：4973-4982.
［5］	CHEN Z Y， LI W H. Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network［J］. IEEE Transactions on Instrumentation and Measurement， 2017，66（7）：1693-1702.
［6］	GANAPATHY S， HAN K， THOMAS S， et al. Robust language identification using convolutional neural network features［C］// Proceedings of the Annual Conference of the International Speech Communication Association. 2014：1846-1850.
［7］	LI S， BYANG W L， ZHANG A S， et al. A novel method of bearing fault diagnosis in time-frequency graphs using inceptionresnet and deformable convolution networks［J］. IEEE Access， 2020，8：92743-92753.
［8］	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. 2014：2672-2680.
［9］	孙晓，丁小龙. 基于生成对抗网络的人脸表情数据增强方法［J］. 计算机工程与应用， 2020，56（4）：115-121.
［10］	ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein GAN［J］. arXiv preprint arXiv：1701.07875v3， 2017.
［11］	WEI X， GONG B， LIU Z X， et al. Improving the improved training of wasserstein GANs： A consistency term and its dual effect［J］. arXiv preprint arXiv：1803.01541， 2018.
［12］	蒋鹏飞，魏松杰. 基于深度森林与CWGAN-GP的移动应用网络行为分类与评估［J］. 计算机科学， 2020，47（1）：287-292.
［13］	LECUN Y， BOTTOU L， BENGIO Y，etal. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998，86（11）：2278-2324.
［14］	沈涛，李舜酩，辛玉. 基于深度学习的旋转机械故障诊断研究综述［J］. 计算机测量与控制， 2020，28（9）：1-8.
［15］	宋雨萌，谷峪，李芳芳，等. 人工智能赋能的查询处理与优化新技术研究综述［J］. 计算机科学与探索， 2020，14（7）：1081-1103.
［16］	郝岩，白艳萍，张校非，等. 卷积神经网络在SAR目标识别中的应用［J］. 重庆理工大学学报（自然科学版）， 2018，32（5）：204-209.
［17］	王丽苹，高瑞贞，张京军，等. 基于卷积神经网络的混凝土路面裂缝检测［J］. 计算机科学， 2019，46（S2）：584-589.
［18］	IOFFE S， SZEGEDY C. Batch normalization： Accelerating deep network training by reducing internal covariate shift［J］. arXiv preprint arXiv：1502.03167， 2015.
［19］	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： A simple way to prevent neural networks from overfitting［J］. The Journal of Machine Learning Research， 2014，15（1）：1929-1958.
［20］	LOSHCHILOV I， HUTTER F. Fixing weight decay regularization in Adam［J］. arXiv preprint arXiv:1711.05101， 2017.
［21］	SMITH W A， RANDALL R B. Rolling element bearing diagnostics using the Case Western Reserve University data： A benchmark study［J］. Mechanical Systems and Signal Processing， 2015，64-65：100-131.
［22］	李阳，张亚非，苗壮，等. 基于t-SNE卷积编码的图像检索方法［J］. 计算机应用研究， 2017，34（4）：1244-1248.
［23］	XU Q T， HUANG G， YUAN Y， et al. An empirical study on evaluation metrics of generative adversarial networks［J］. arXiv preprint arXiv：1806.07755， 2018.
［24］	姚登举，杨静，詹晓娟. 基于随机森林的特征选择算法［J］. 吉林大学学报（工学版）， 2014，44（1）：137-141.
［25］	吴军，王士同，赵鑫. 正负模糊规则系统、极限学习机与图像分类［J］. 中国图象图形学报， 2011，16（8）：1408-1417.
［26］	张汝雷，王保民，苏欣平，等. 支持向量机（SVM）在机械故障诊断中的应用研究［J］. 军事交通学院学报， 2009，11（3）：39-42.
［27］	WANG J， GUO P， LI Y. DensePILAE： A feature reuse pseudoinverse learning algorithm for deep stacked autoencoder［J］. Complex & Intelligent Systems， 2021，8（8）. DOI：
	10.1007/s40747-021-00516-5.
［28］	MAO W T， LIU Y M， DING L， et al. Imbalanced fault diagnosis of rolling bearing based on generative adversarial network： A comparative study［J］. IEEE Access， 2019，7：9515-9530.
［29］	袁建虎，韩涛，唐建，等. 基于小波时频图和CNN的滚动轴承智能故障诊断方法［J］. 机械设计与研究， 2017，33（2）：93-97.

[1]	付鸿林, 张太红, 杨雅婷, 艾孜麦提·艾瓦尼尔, 马博. 基于生成对抗网络的维语场景文字修改网络[J]. 计算机与现代化, 2024, 0(01): 41-46.
[2]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[3]	林威. 基于自监督学习和数据回放的新闻推荐模型增量学习方法[J]. 计算机与现代化, 2023, 0(12): 1-6.
[4]	周成诚, 曾庆军, 杨康, 胡家铭, 韩春伟. 基于高效通道注意力模块的运动想象脑电识别[J]. 计算机与现代化, 2023, 0(12): 19-23.
[5]	梁天恺, 黄康华, 刘凯航, 兰岚, 曾碧. 基于双向同态加密的深度联邦图片分类方法[J]. 计算机与现代化, 2023, 0(12): 36-40.
[6]	邱凯星, 冯广. 基于双重特征注意力的多标签图像分类模型[J]. 计算机与现代化, 2023, 0(12): 41-47.
[7]	张伯泉, 麦海鹏, 陈嘉敏, 逄锦聚. 基于高灰度值注意力机制的脑白质高信号分割[J]. 计算机与现代化, 2023, 0(12): 67-75.
[8]	马泽宇, 叶宁, 徐康, 王甦, 王汝传, . 基于FMCW雷达和ResNeSt-GRU的行为识别方法[J]. 计算机与现代化, 2023, 0(11): 101-107.
[9]	李延满, 王必恒, 赵羚焱. 基于轻量化YOLOv5的安全帽检测[J]. 计算机与现代化, 2023, 0(10): 59-64.
[10]	黎世达, 项剑文. 一种提高图像识别模型鲁棒性的弱化强化方法[J]. 计算机与现代化, 2023, 0(10): 70-76.
[11]	王鑫, 肖韬睿. 基于生成对抗网络的人脸识别对抗攻击[J]. 计算机与现代化, 2023, 0(10): 115-120.
[12]	沈加炜, 陆一鸣, 陈晓艺, 钱美玲, 陆卫忠, . 基于深度学习的人体行为检测方法研究综述[J]. 计算机与现代化, 2023, 0(09): 1-9.
[13]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[14]	吴甜, 刘海华, 童顺延. 基于深度反馈的卷积神经网络的图像分类[J]. 计算机与现代化, 2023, 0(09): 82-86.
[15]	刘禅奕, 黄丹, 薛林雁, 王涛, 朱桃, . 改进EfficientNet网络的COVID-19 X光分类[J]. 计算机与现代化, 2023, 0(09): 94-99.