不平衡噪声数据的故障检测与诊断：一种旋转机械的混合框架

关注我们，为您推送更多最新资讯。

文章导读

高效的故障诊断对于降低旋转机械制造系统的维修成本至关重要，但在实际的故障检测与诊断过程中，由于某些故障类别的样本数量远远少于正常的数据样本 (数据不平衡) 以及工业环境中存在的高水平干扰信号 (数据噪声)，导致许多传统的故障检测和诊断 (Fault Detection and Diagnosis, FDD) 框架在处理实际故障时的分类性能很差。针对这一问题，来自维多利亚大学的Masoud Jalayer 教授，与来自米兰理工大学的 Carlotta Orsenigo、Carlo Vercellis 研究员，以及洛桑瑞士联邦理工学院的 Amin Kaboli 教授合作在 Machines 发表了文章，研究采用混合框架实现了一种基于不平衡条件下的有效信号 FDD 系统，并提出和验证了卷积长短时记忆 (Convolutional Long Short-term Memory, CLSTM) 和加权极限学习机 (Weighted Extreme Learning Machine, WELM) 的新组合。

旋转机械是当今工业环境中必不可少的设备之一，其应用范围包括石油、汽车、化工、制药等诸多领域。机器故障会对实际的生产运营带来极大的负面影响，因此为了提高工业生产效率，可以通过监测机器的健康状况防止机器故障，以降低制造系统的维护成本。因此，开发有效的诊断系统来分析旋转部件的不同健康状况是至关重要的。旋转机械的故障检测与诊断方法可以分为两种，包括基于物理的控制系统和基于数据驱动的模型。近年来，计算机处理技术和数字技术的进步增强了数据驱动故障检测和诊断模型的鲁棒性和计算能力，实现这些模型能够帮助我们远程监控和研究机器参数。原文图1所示为一个自动故障检测与诊断系统的主要步骤。

图1. 一个自动故障检测与诊断系统的主要步骤。

过程与结果

文章概述了用于智能 FDD 的人工智能模型，包括极限学习机 (Extreme Learning Machine, ELM)、深度归一化卷积神经网络 (Deep Normalized Convolutional Neural Network, DNCNN) 和带有梯度惩罚的Wasserstein生成式对抗性网络 (Wasserstein Generative Adversarial with Gradient Penalty Networks, WGAN-GP) 等。此外，文章还详细介绍了 WGAN-GP、CLSTM 和 W-ELM 的背景理论。

针对改善不平衡噪声情况下 FDD 系统的性能，开展了以下研究：

01

研究提出了 GAN-CLSTM-ELM 混合框架，该框架采用振动信号的傅立叶谱和小波谱这两种特征数据提取技术来提高诊断性能；使用 CNN 代码块来发现故障类型的移位不可知性特征；使用长短期记忆 (Long Short-term Memory, LSTM) 代码块来理解其时空和序列特征，还使用加权 WELM 分类器从稀缺模式中学习的有效性。研究开发了一个 WGAN 模型，并将其应用于混合框架中对少数类进行扩充，增强训练集。

02

研究了不同场景下的不平衡噪声程度对混合框架性能的影响，并通过对场景进行敏感性分析，揭示了更多关于模型特征的见解。

03

研究基于4个不同的数据集，将7个最先进的FDD模型与本文所提出的 GAN-CLSTM-ELM 混合框架进行对比研究，结果表明 GAN-CLSTM-ELM 框架能够降低误分类率，并且在不平衡程度较高的情况下性能优于其他方法。通过与 CLSTM-ELM 以及其他所有诊断模型的结果比较，验证了 WGAN-GP 的有效性。

04

实验结果表明，使用生成算法有助于分类模型缓解低信噪比造成的不利影响，因此在工业应用使用这种 GAN-CLSTM-ELM 混合框架非常有必要。本文还论证了 W-ELM 在 CLSTM 架构中的实现方法。此外，研究还在 α 和信噪比的范围内，设计了25个数据集的敏感性分析，以了解这两个因素如何影响模型的分类能力。

研究总结

在许多实际的故障检测和诊断应用中，由于存在不平衡噪声数据的影响，导致许多传统的 FDD 框架在真实的工业环境中表现很差。为改善不平衡噪声情况下 FDD 系统的性能，本文提出了一种新的 GAN-CLSTM-ELM 框架，以提高旋转机械 FDD 系统处理高度不平衡噪声数据集的性能。该框架的应用仅需要一个便于使用的软件，并且不需要经过复杂的预处理，因此在工业制造领域具有广阔的应用前景。此外，还对 FDD 的未来研究进行了展望，内容包括：针对不同生成算法的行为进行更多的实验、开发更强大的架构、以更少的样本创建高质量的信号。

来源：MDPI开放科学