噪声与振动控制

噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (4): 153-160.

• 信号处理与故障诊断 • 上一篇    下一篇

不平衡数据下基于改进门控卷积网络的轴承故障诊断

郗昌盛1，梁小夏1，2，田少宁1，杨杰1，2，冯国金1，2，甄冬1，2   

  1. （ 1. 河北工业大学机械工程学院，天津300401； 2. 河北工业大学先进装备研究院有限公司，天津300401 ）
  • 收稿日期:2022-10-26 修回日期:2023-03-26 出版日期:2024-08-18 发布日期:2024-08-16

Bearing Fault Diagnosis Based on Improved Gated Convolutional Network with Imbalanced Data

  • Received:2022-10-26 Revised:2023-03-26 Online:2024-08-18 Published:2024-08-16

PDF

摘要： 深度学习在滚动轴承故障诊断中具有广泛的应用，然而，现实中的监测数据往往具有不平衡性，这就会对模型的诊断性能产生很大影响。因此，提出一种基于改进门控卷积神经网络（Improved Gated Convolutional Neural Network，IGCNN）的故障诊断方法，用于数据不平衡条件下的故障诊断。首先，提出改进门控卷积层以增强特征提取能力，通过批量归一化技术提高模型的泛化能力。然后，使用标签分布感知边界（Label-distribution-aware Margin，LDAM）损失函数提高模型对少数类的敏感度，减小数据不平衡对模型的影响。将所提算法应用在两组故障轴承数据上，在数据不平衡率为20:1 的情况下，所提算法仍然可达到92.71 %和94.47 %的故障识别率，而对比的其他主流深度学习模型在该情况下只有60 %～72 %的准确率，表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性。

关键词: 故障诊断, 数据不平衡, 改进门控卷积神经网络, 标签分布感知边界损失函数, 滚动轴承