基于多传感器的不平衡数据轴承故障诊断

针对轴承故障数据类别不平衡导致诊断模型精度下降的问题,使用多传感器数据丰富数据特征,同时从数据增强和损失函数两方面着手,提出一种基于多传感器的不平衡数据轴承故障诊断方法.首先,设计一种多通道的带辅助分类器的生成对抗网络(ACGAN),利用独特的鉴别-分类结构生成高质量的多传感器数据以补充原始数据集;然后,提出一种改进的均值焦点损失函数(m-Focal Loss),将不平衡问题转化为样本的难易分类问题,根据难易程度进行加权,从而进一步提高诊断精度;最后,将一维卷积神经网络(1DCNN)作为分类网络,在凯斯西储大学(CWRU)轴承数据集和实验室数据集上进行消融试验.结果表明:使用多传感器数据可以有效抑制不平衡数据带来的精度下降问题,加入ACGAN所生成的样本可大大提高不平衡数据下轴承故障诊断模型的精度.