面向不平衡与噪声数据的故障检测与诊断:一种旋转机械混合框架
机器学习
2022-03-30 v1
摘要
故障诊断在降低旋转机械制造系统维护成本方面发挥着重要作用。在故障检测与诊断的许多实际应用中,数据往往是不平衡的,即某些故障类的样本数远少于正常数据样本。同时,在工业条件下,加速度计会遇到高水平干扰信号,所采集样本噪声严重。因此,许多传统故障检测与诊断(FDD)框架在处理现实环境时分类性能较差。文献中提出了三种主要解决方案以应对该问题:(1) 实施生成算法以增加代表性不足的输入样本数量,(2) 采用能够从不平衡和噪声数据中学习的强大分类器,(3) 开发包括特征提取和数据增强的高效数据预处理。本文提出一种混合框架,利用上述三个组件实现面向不平衡工况的基于信号的有效 FDD 系统。具体而言,它首先提取故障特征,使用傅里叶和小波变换充分利用信号。然后,采用 Wasserstein 生成对抗网络(WGAN)生成合成样本以充实稀有故障类并增强训练集。此外,为获得更高性能,提出了卷积长短期记忆(CLSTM)与加权极限学习机(WELM)的新颖组合。为验证所开发框架的有效性,使用了不同不平衡严重度和噪声程度下的不同数据集设置。对比结果表明,在不同场景中 GAN-CLSTM-ELM 优于其他最先进的 FDD 框架。
引用
@article{arxiv.2202.04212,
title = {Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery},
author = {Masoud Jalayer and Amin Kaboli and Carlotta Orsenigo and Carlo Vercellis},
journal= {arXiv preprint arXiv:2202.04212},
year = {2022}
}
备注
23 pages, 11 figures