王振亚,刘 韬,王廷轩,杨永灿

(昆明理工大学机电工程学院，云南 昆明 650500)

0 引言

轴承在各类制造业中应用广泛[1]。工程环境中因机械装备部件故障失效时间短、数据难以获取，以及不同工况和应用场景差异等原因，往往造成监测数据的不平衡问题。训练一个新的模型又会依赖大量数据和时间，不利于不同工况下故障诊断的推广[2]。数据不平衡问题会严重影响设备的故障诊断率，导致机械装备无法正常工作，严重者甚至损毁设备，严重影响生产效率，造成很大的经济损失。

目前，针对数据不平衡问题，国内外学者提出了不同种类的解决方法[3]。基于生成对抗式网络、迁移学习、对抗迁移等机器学习的数据增强模型层出不穷，但存在训练不稳定、干扰因素大、耗费时间、在实际工程中难以应用等问题；EML、SVM、CNN等处理不平衡数据的模式识别方法存在寻找稳定性弱、参数选择困难、在故障样本较少情况下难以应用的问题；过采样和欠采样技术因计算速度快、应用范围广等优点,仍是实际工程中应用最为广泛的处理手段[4-5]。随机过采样(random oversampling,RAMO)是通过随机选取少数类样本进行复制从而达到数据量上的均衡，但是该方法没有考虑到数据的分布，非常容易形成过拟合；随机欠采样(random underdamping,RAMU)是通过随机选取多数类的样本进行删除进而达到数据集的均衡，但是该方式很容易删除掉含有重要信息的样本点。Chawla等[6]提出了一种合成少数类过采样技术(synthetic minority oversampling technique,SMOTE),用来解决随机过采样存在过拟合的问题；……