采用非平衡小样本数据的风机主轴承故障深度对抗诊断

风机主轴承为风力发电机传动系统的核心部件，风机通过主轴支撑风力发电设备的叶片、轮毂、变桨系统等，并且承受叶片扭矩，吸收绝大多数有害的负载与弯矩。由于持续受交变冲击力和载荷作用影响，主轴承易在不同位置出现不同程度的故障。一旦损坏，风机停机时间长、修复成本高，经济损失严重。因此，准确诊断风机主轴承故障对保障风电机组安全可靠运行、提高风场运行经济性具有重要意义。

由于风机主轴承故障振动实验数据获取成本高、故障程度有限，而实测数据往往存在不同类型样本累积数据量不同导致的数据非平衡问题，导致现有方法在非平衡小样本风机主轴承故障诊断场景下识别准确率有限，甚至存在状态误识别问题，影响相关监控技术应用效果。本文提出采用改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks，AC-GAN)的风机主轴承故障诊断新方法，以AC-GAN生成器生成符合实际信号概率分布的生成样本，有效提高非平衡小样本场景下风机主轴承机械故障识别准确率。

（1）改进AC-GAN

首先，通过在AC-GAN生成器中加入Dropout层，降低对神经元特定权值敏感性，保证故障样本生成质量，提升模型的泛化能力。之后，在AC-GAN判别器中加入卷积层，提取更多细节特征；同时，引入噪声过渡模型并重定义损失函数，提高判别器抗噪能力。然后，为训练样本添加标签约束，使生成器针对性生成大量符合真实样本概率分布特性的非平衡场景下小样本故障类型数据，由此，实现判别器增强。具体模型结构如图1所示。 

图1  改进AC-GAN模型结构

（2）实验样本构建

实验采用西储大学CWRU数据集中12kHz采样频率下的主轴承故障数据。主轴承类型为6205-2RS JEM SKF，转速1750r/min。由于轴承旋转工作，其振动信号存在周期性特征。根据轴承转速，则轴承每旋转一周可采样12000/(1750/60)，约为411点。为了适应生成对抗神经网络结构，最终以采样392个点为AC-GAN网络输入，为保证信息完整性和故障特征有效性，每个故障样本采用两个旋转周期内784个采样点的振动信号构成。判别器的训练与测试样本集合构建方式如图2所示。为通过卷积层挖掘更多细节特征，将每个样本处理为28×28的二维矩阵，输入改进AC-GAN的判别器D。改进AC-GAN判别器训练样本如图3所示。

图2  改进AC-GAN判别器的训练与测试样本集合构建

图3  改进AC-GAN判别器训练样本

（3）实验设计与分析

实验在小样本非平衡及复杂噪声场景下验证新方法正确性与有效性。首先，采用MS (mode score，模式分数)和MMD(maximum mean discrepancy，最大均值差异)指标。分析样本生成效果，评估改进AC-GAN生成样本的多样性和真实性；采用PDF (probability density function，概率密度函数)分析生成主轴承故障样本与真实故障样本的在统计量相似性。其次，通过在不同信噪比的测试集上比较分类的准确率，验证模型的抗噪性能。然后，通过减少训练样本，验证小样本场景下的新方法故障诊断有效性。最后，通过随机减少部分故障类型的训练样本数，验证在样本非平衡场景下新方法对非平衡主轴承故障类型的识别有效性。

为解决基于振动信号的风机主轴承故障诊断存在的振动信号噪声干扰复杂、故障样本少且类别间样本数非平衡等问题，提出基于改进AC-GAN的风机主轴承机械故障诊断新方法。新方法具有以下优点：

1）将AC-GAN引入风机主轴承故障识别领域，实现了小样本非平衡场景下有效数据增强，提高了系统对非平衡故障类型识别能力。

2）在生成器输入端加入可支持噪声过渡模型的真实故障样本类别标签，提高了多分类场景下数据生成能力。

3）在判别器中添加了卷积层，生成器中加入Dropout层，有效提取更多细节特征，提升了模型的泛化能力。

新方法不仅能够保证故障样本生成质量，还具备较强的抗噪性能。多种故障数据非平衡场景与噪声场景下实验证明，新方法故障识别准确率保持在98%以上，证明新方法具有良好风机主轴承故障诊断能力。

引文信息