样本不均衡时轴承故障的非平衡卷积网络诊断

作者：裴红蕾^*

来源：制造技术与机床, 2023, (04): 174-180.

DOI：10.19287/j.mtmt.1005-2402.2023.04.027

• 样本不均衡
• 轴承故障诊断
• 非平衡损失函数
• 孪生神经网络
• 变分自编码器

为了提高样本不均衡条件下轴承故障诊断精度，提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先，使用变分自编码器用于数据生成，并依据孪生神经网络对生成数据的类别进行判定，实现了基于变分自编码器和孪生神经网络的样本增广；其次，分析了卷积神经网络无差别对待样本的缺点，针对不均衡样本的特殊性，提出了非平衡损失函数卷积网络，该网络能够自动关注数量少、难分的样本训练。经实验验证，生成对抗网络增广的样本相似度为0.847，孪生神经网络增广的样本相似度比对抗网络提高了6.61%，说明孪生神经网络的样本增广效果更好；在相同诊断方法前提下，样本增广后比增广前的准确率提高了9.42%，说明样本增广有利于提高轴承的故障诊断准确率；非均衡损失网络比卷积神经网络的诊断精度提高了7.17%，比自适应深度学习提高了4.12%，验证了非均衡损失网络的高准确率和优越性。

• 单位
  无锡工艺职业技术学院