跳连接变分自编码器与CNN相结合的滚动轴承故障诊断方法.pdf

跳连接变分自编码器与ＣＮＮ相结合的

滚动轴承故障诊断方法

摘要：针对滚动轴承故障率小、不易收集故障数据的问题，提出基于跳跃连接变分自编码器与宽核

深度卷积神经网络相结合的小样本故障诊断方法。该方法首先在变分自编码器的编码和解码之间

引入跳跃连接结构，并将Ｔａｎｈ作为网络的激活函数，进而提高生成样本的特征多样性；其次，构建

宽核深度卷积网络诊断模型，该模型可以提高从振动信号中提取故障特征的能力；最后，经生成样

本扩充的数据集作为模型输入，提高训练集包含的特征信息量，实现小样本下的故障诊断。实验分

析表明，所提方法在小样本情形下能生成有效的伪样本并具有较高的诊断精度。

关键词：故障诊断；跳跃连接变分自编码器；数据生成；宽核深度卷积神经网络

Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｆａｉｌｕｒｅｒａｔｅｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｉｓｓｍａｌｌａｎｄｉｔｉｓｎｏｔｅａｓｙｔｏｃｏｌｌｅｃｔｆａｕｌｔｄａｔａ，ａ

ｎｏｖｅｌｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｗｉｔｈｓｍａｌｌｓａｍｐｌｅｓｉｓｐｒｏｐｏｓｅｄ，ｗｈｉｃｈｃｏｍｂｉｎｅｓｒｅｓｐｅｃｔｉｖｅａｄｖａｎｔａｇｅｓ

ｏｆｊｕｍｐｉｎｇｃｏｎｎｅｃｔｉｏｎｖａｒｉａｔｉｏｎａｌａｕｔｏ⁃ｅｎｃｏｄｅｒａｎｄｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｗｉｔｈｗｉｄｅｋｅｒｎｅｌ．Ｔｈｅｐｒｏｐｏｓｅｄ

ｍｅｔｈｏｄｆｉｒｓｔｌｙｉｎｔｒｏｄｕｃｅｓａｊｕｍｐｃｏｎｎｅｃｔｉｏｎｓｔｒｕｃｔｕｒｅｂｅｔｗｅｅｎｅｎｃｏｄｉｎｇａｎｄｄｅｃｏｄｉｎｇｏｆｔｈｅｖａｒｉａｔｉｏｎａｌａｕｔｏ⁃

ｅｎｃｏｄｅｒ，ａｎｄＴａｎｈｉｓｕｓｅｄａｓｔｈｅａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎｏｆｔｈｅｎｅｔｗｏｒｋ，ｔｈｕｓｉｍｐｒｏｖｉｎｇｔｈｅｆｅａｔｕｒｅｄｉｖｅｒｓｉｔｙｏｆｔｈｅ

ｇｅｎｅｒａｔｅｄｓａｍｐｌｅｓ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｄｉａｇｎｏｓｉｓｍｏｄｅｌｏｆｗｉｄｅｋｅｒｎｅｌｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋｉｓｃｏｎｓｔｒｕｃｔｅｄ，ａｉｍｉｎｇｔｏ

ｅｎｈａｎｃｅｔｈｅｃａｐａｂｉｌｉｔｙｏｆｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｆｒｏｍｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓ．Ｆｉｎａｌｌｙ，ｔｈｅｄａｔａｓｅｔｅｘｐａｎｄｅｄｂｙｔｈｅ

ｇｅｎｅｒａｔｅｄｓａｍｐｌｅｓｉｓｕｓｅｄａｓｔｈｅｍｏｄｅｌｉｎｐｕｔｔｏｉｍｐｒｏｖｅｔｈｅａｍｏｕｎｔｏｆｆｅａｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｃｏｎｔａｉｎｅｄｉｎｔｈｅｔｒａｉｎｉｎｇ

ｓｅｔ，ｔｈｅｒｅｂｙｒｅａｌｉｚｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｕｎｄｅｒｓｍａｌｌｓａｍｐｌｅｓ．Ｅｘｐｅｒｉｍｅｎｔａｌａｎａｌｙｓｉｓｓｈｏｗｓｔｈａｔｔｈｅｐｒｏｐｏｓｅｄ

ｍｅｔｈｏｄｃａｎｇｅｎｅｒａｔｅｅｆｆｅｃｔｉｖｅｆａｋｅｓａｍｐｌｅｓａｎｄｇａｉｎｓｈｉｇｈｄｉａｇｎｏｓｔｉｃａｃｃｕｒａｃｙｉｎｔｈｅｃａｓｅｏｆｓｍａｌｌｓａｍｐｌｅｓ．

Ｋｅｙｗｏｒｄｓ：ｆａｕｌｔｄｉａｇｎｏｓｉｓ；ｊｕｍｐｃｏｎｎｅｃｔｅｄｖａｒｉａｔｉｏｎａｌａｕｔｏ⁃ｅｎｃｏｄｅｒ；ｄａｔａｇｅｎｅｒａｔｉｏｎ；ｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎｎｅｕｒａｌ

ｎｅｔｗｏｒｋｗｉｔｈｗｉｄｅｋｅｒｎｅｌ

收稿日期：２０２２０３０４作为旋转机械重要组成部件之一，轴承对于确

保机械设备的安全性和可靠性起着至关重要的作

用。在实际的工业场景下，机械设备通常在正常状

态下运行，因此采集到的故障样本有限，从而产生小

６８２机械科学与技术