柴志豪

摘要：针对轴承工作过程中早期故障样本少、故障类型不平衡的问题，提出一种基于生成式对抗网络（GAN）的数据增强方法。该方法应用快速傅里叶变换（FFT）对轴承信号进行预处理，然后将频谱作为GAN的输入，生成故障样本数据。最后，将生成的数据与原始数据结合构成新的数据集，并利用支持向量机（SVM）实现故障分类识别。通过轴承实验和统计学特性验证，表明该方法可以生成有效故障样本，同时采用扩充后的新数据集与原始数据集相比诊断准确率更高。

关键词：滚动轴承;故障诊断;生成式对抗网络;支持向量机

0  引言

滚动轴承是旋转机械中最重要的零件之一，因其复杂的工况和结构极易发生故障，从而造成重大经济损失。实际应用中，旋转机械设备多数情况在正常状态下工作，因此可以收集到的故障数据较少，且存在着故障类型不平衡的问题[1-2]。

目前很多学者针对轴承早期故障诊断展开了大量研究。苏文胜等提出一种基于EMD和谱峭度法的故障诊断方法，应用EMD对信号进行预处理从而提高诊断率[3];刘晨斐等提出将改进采样方法和SVM结合，使得样本达到均衡，从而提高变压器故障诊断率[4];张思敏应用等角度重采样提取故障特征，实现齿轮箱故障识别[5];侯文擎等提出一种基于SDAE的方法，得到故障状态的特征表示，应用Soft-max进行故障分类识别[6]。本文提出一种基于生成式对抗网络的数据集增强方法，该方法利用GAN强大的特征提取和数据生成能力，解决了非平衡、小样本条件下轴承故障特征难以提取的问题，通过实验验证了其有效性。

1  生成式对抗网络

生成式对抗网络（generative adversarial networks，GAN）是近年来广受好评的深度学习模型，基于统计学和博弈论来生成数据样本，已迅速成为人工智能研究和应用领域中一种非常重要的模型和工具[7-8]。生成式对抗网络有生成器（G）和判别器（D）两部分组成，将随机噪声z输入到生成器中，生成器通过学习真实样本的概率分布pd，利用随机噪声z生成逼真的伪样本，通过不断训练生成器以达到以假乱真的目的。判别器则用来区分真实样本和生成器生成的样本，二者构成一个动态的博弈过程。理想状况下生成器生成足以“以假乱真”的样本，而判别器难以分辨生成的样本是否真实，此时D（G（z））=0.5，生成式对抗网络的目标函数loss为[9]：

2  基于GAN的故障诊断方法

利用GAN处理原始信号，利用生成信号扩充数据集，并对该包含更多故障信息的数据集应用SVM进行分类，算法流程如图2所示。

方法步骤如下：

①将原始数据集划分为训练集和测试集;

②对信号进行快速傅里叶变换，将得到的频谱作为GAN的输入;

③训练GAN网络，得到生成样本并扩充数据集;

④利用SVM对扩充后的数据集进行分类;

⑤根据实验结果验证方法有效性。

3  实验验证分析

3.1 实验数据采集

本实验在轴承故障模拟试验台（MFS）上进行实验数据采集。轴承型号为MBER-10K ，振动信号由安装在轴承壳体上的加速度计在2100rpm（35 Hz）的驱动速度下采集，采样频率设置为10240Hz。本实验模拟轴承的四种运动状态：正常状态、滚动子故障状态、内圈故障状态和外圈故障状态。图3为四种状态的时域图。

3.2 统计学特性分析

首先对生成信号和原始信号进行统计学特性分析，依次计算二者的欧氏距离、皮尔逊相关系数和KL散度。欧式距离可体现二者之间的距离并评估其相关性，皮尔逊相关系数为两变量之间相关性的度量，KL散度评估二者之间的差异。进行三十次实验，并将结果取平均值。

由表1可知，生成信号与真实信号之间欧氏距离较小，表明其相关度较高;皮尔逊系数为0.7840，表明二者线性相关;KL散度为0.1431表明生成信号与原始信号之间概率分布较小。以上结果表明生成信号与真实信号的概率分布较为接近，满足故障诊断所需样本的要求。

3.3 故障诊断结果

四类故障分为四组并分别采集60组振动数据，从每组的数据中随机中选出40组作为训练样本集，其余20组数据作为测试样本集。将GAN训练生成的数据按照1：1的比例添加到原始数据集中，应用SVM对扩充后的数据集进行故障分类识别。

将扩充后的数据集与原始数据的分类结果进行对比，基于扩充数据集的平均故障诊断率高达97.3%，基于原始数据集的平均故障诊断率为88.5%。图4为两种数据集的分类结果。

图4中，对原始数据集进行分类，虽然可以实现部分故障的分离，但是滚动子故障与外圈故障混叠严重，无法有效分离;图5利用GAN扩充后的数据集分类后各类型故障聚类更紧密，基本达到完全分离，效果更好。

上述实验表明，所提出的基于GAN的轴承故障诊断方法有较好的故障分类效果。实验结果证明，利用GAN算法可以生成有效的仿真信号，从而解决数据不平衡问题，显著提高了平均故障诊断率。

4  结论

综上所述，为了解决轴承早期故障诊断中振动信号样本不足、樣本不平衡等问题，本文提出一种基于GAN的轴承故障诊断方法。该方法利用GAN算法的特征提取和样本生成能力生成有效的仿真信号，实现了小样本、不平衡下的信号数据集增强，提高了故障诊断模型的识别能力。

参考文献：

[1]张雪英，栾忠权，刘秀丽.基于深度学习的滚动轴承故障诊断研究综述[J].设备管理与维修，2017（18）：130-133.

[2]沙美妤，刘利国.基于振动信号的轴承故障诊断技术综述[J].轴承，2015（09）：59-63.

[3]苏文胜，王奉涛，张志新，郭正刚，李宏坤.EMD降噪和谱峭度法在滚动轴承早期故障诊断中的应用[J].振动与冲击，2010，29（03）：18-21，201.

[4]刘晨斐，崔昊杨，李鑫，束江，李亚.不对称样本下基于支持向量机的变压器故障诊断[J].高压电器，2019，55（07）：216-220.

[5]张思敏.基于启动电流的转子系统齿轮箱故障诊断方法研究[D].太原理工大学，2019.

[6]侯文擎，叶鸣，李巍华.基于改进堆叠降噪自编码的滚动轴承故障分类[J].机械工程学报，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.