堆叠自编码器在样本不充足下的轴承故障诊断方法

王晓玉，刘桂芳，韩宝坤，王金瑞，石兆婷

（山东科技大学 机械电子工程学院，山东 青岛266590）

在大数据时代，数据的特征学习过程可以通过运用人工智能技术自动完成[1-3]。在智能故障诊断领域，现有的大多数故障诊断算法研究的前提是不同类型的故障样本的数量是充足的。然而，在实际应用场景中，经常会出现数据分类不充分的情况。同时，机械运行过程中故障较少，大部分运行阶段处于正常工作状态[4-5]。一些罕见的故障问题不可避免地存在数据量有限的问题[6]。当对应的故障数据集相对充足时，识别率较高。但对于罕见的故障类型，由于数据相对稀少，识别率较低。此外，有些故障类型甚至无法识别[7]。因此，有必要针对数据量不足的情况，开发有效的智能故障诊断算法。

通过文献综述可知，许多深度学习模型[8-9]被用来解决训练数据不充足工况下的故障诊断问题。最常见的解决方法是对充足的训练样本进行欠采样，对不充足的训练样本进行过采样。王金瑞等[10]提出了一种基于Wasserstein 距离的生成对抗网络-堆叠自编码器(Wasserstein generative adversarial networks-stacked autoencoders，WGAN-SAE)用于样本无关情况下的故障诊断。该框架采用WGAN 生成仿真数据，堆叠自编码器（Stacked autoencoders，SAE）[11]对平衡数据集进行精确分类。贾峰等[12]提出了一种深度归一化卷积神经网络(Deep normalized convolutional neural network，DNCNN)框架，通过对卷积神经网络添加权重标准化实现了不平衡状态下的轴承故障分类。陈超等[13]提出了一种基于辅助数据的增强型最小二乘支持向量机，并采用迁移学习策略实现了数据量不充足条件下的轴承故障诊断。……