机械工程学报

作者：孟宗, 关阳, 潘作舟, 孙登云, 樊凤杰, 曹利宵

单位：燕山大学河北省测试计量技术及仪器重点实验室 秦皇岛 066004

关键词：故障诊断,类不平衡,重采样,数据增强,投票分类算法；

基金：国家自然科学基金（52075470）、河北省自然科学基金（E2019203448）、中央引导地方科技发展资金（206Z4301G）和河北省研究生创新（CXZZSS2021067）资助项目。

滚动轴承是旋转机械的重要组成部件之一，及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下，正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题，提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集，研究类别不平衡情形对故障诊断性能的影响；其次，基于重采样方法将数据集重构为平衡数据集，并对其进行二次数据增强，提高样本点的利用率；然后，利用改进的深度一维卷积网络提取信号特征，对滚动轴承故障信息进行充分表征；最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估，同时与其他方法进行对比，结果表明，所提模型具有更高的诊断精度与诊断速度，鲁棒性与通用性较好，能够很好地适用于类不平衡情形下的滚动轴承故障诊断。

来源：2021年第23期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第23期