基于組合預(yù)測(cè)模型的小樣本軸承故障分類診斷*

孫龐博，符 琦，陳安華，蔣云霞

(湖南科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖南 湘潭 411201)

1 引言

滾動(dòng)軸承是機(jī)械設(shè)備中的核心部件之一,其運(yùn)行狀況關(guān)系到設(shè)備能否安全高效地運(yùn)行，而設(shè)備長(zhǎng)時(shí)間運(yùn)行在惡劣的工作環(huán)境中,使軸承成為了旋轉(zhuǎn)機(jī)械設(shè)備中最易損傷的部件之一[1]。故障診斷是提高機(jī)械使用可靠性，保障機(jī)械各部件長(zhǎng)周期穩(wěn)定運(yùn)行，減少因故障停機(jī)帶來(lái)經(jīng)濟(jì)損失的一種重要技術(shù)。傳統(tǒng)的故障診斷方法借助專家領(lǐng)域知識(shí)從信號(hào)中人工提取特征，但由于信號(hào)的非線性、非穩(wěn)態(tài)等特點(diǎn)，特征的提取與選擇，以及診斷模型的建立與分析過(guò)程相當(dāng)費(fèi)時(shí)費(fèi)力，因此，如何高效地提取有區(qū)分度的特征并對(duì)故障進(jìn)行準(zhǔn)確識(shí)別成為故障診斷領(lǐng)域的研究熱點(diǎn)和難點(diǎn)[2]。

近年來(lái)，作為人工智能技術(shù)之一的深度學(xué)習(xí)方法發(fā)展迅速，由于其可以從海量數(shù)據(jù)中自主學(xué)習(xí)并提取特征數(shù)據(jù)，現(xiàn)已成功地應(yīng)用于智能故障診斷等領(lǐng)域。深度學(xué)習(xí)方法常用的網(wǎng)絡(luò)模型包括深度自編碼器 DAE(Deep AutoEncoder)、卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)、深度信念網(wǎng)絡(luò)DBN(Deep Belief Network)和深度殘差網(wǎng)絡(luò)DRN(Deep Residual Network)等。這些網(wǎng)絡(luò)模型通過(guò)對(duì)一維～三維輸入數(shù)據(jù)進(jìn)行原始時(shí)域信號(hào)預(yù)處理，提升模型的診斷效果。Sun 等[3]和Zhao等[4]分別通過(guò)小波包分析將原始振動(dòng)信號(hào)轉(zhuǎn)換為二維信號(hào)，并分別作為DRN模型和CNN模型的輸入，提高了模型的效果；Shao等[5]提出一種改進(jìn)的DBN模型，實(shí)現(xiàn)對(duì)故障特征的自動(dòng)提取，克服了傳統(tǒng)方法依賴手動(dòng)設(shè)計(jì)特征的缺點(diǎn)。上述研究成果均在一定程度上提升了診斷模型的效果和故障分類的準(zhǔn)確率，但也存在一些不足，如CNN模型需要對(duì)輸入數(shù)據(jù)進(jìn)行適應(yīng)性改進(jìn)或數(shù)據(jù)轉(zhuǎn)換，DBN模型只能處理布爾量，無(wú)法直接處理實(shí)數(shù)域問(wèn)題等，且大多數(shù)研究的實(shí)驗(yàn)效果都是基于故障樣本充足的前提條件，在小樣本故障數(shù)據(jù)條件下，上述方法將因無(wú)法學(xué)習(xí)到足夠多的故障樣本數(shù)據(jù)而導(dǎo)致效率低下。

因此，本文將以小樣本故障數(shù)據(jù)為研究對(duì)象，基于變分自編碼器VAE(Variational AutoEncoder)[6]原理，提出一種基于半監(jiān)督VAE(SemiVAE)和LightGBM(Light Gradient Boosting Machine)分類模型的組合模型LSVAE(LightGBM-SemiVAE)。LSVAE可通過(guò)SemiVAE提取小樣本數(shù)據(jù)的潛在特征，再利用LightGBM網(wǎng)絡(luò)模型進(jìn)行故障分類，并通過(guò)貝葉斯優(yōu)化提升性能，從而克服傳統(tǒng)VAE固有的生成的圖像模糊、區(qū)分性較差等缺點(diǎn)，提升機(jī)械設(shè)備故障診斷效率。

2 變分自編碼器

Figure 1 Structure of the variational autoencoder圖1 變分自編碼器結(jié)構(gòu)

(1)

(2)

(3)

由于均值μ和標(biāo)準(zhǔn)差σ由神經(jīng)網(wǎng)絡(luò)計(jì)算，在隨機(jī)采樣的過(guò)程中無(wú)法求導(dǎo)，但是可以對(duì)采樣的結(jié)果求導(dǎo)，因此可以通過(guò)反向傳播優(yōu)化網(wǎng)絡(luò)性能。

雖然VAE通過(guò)引入變分下界使其在計(jì)算的過(guò)程中避免了復(fù)雜邊界似然概率的計(jì)算，但也會(huì)帶來(lái)新的問(wèn)題，如生成數(shù)據(jù)趨于模糊，導(dǎo)致分類模型準(zhǔn)確率下降等。

3 LightGBM預(yù)測(cè)模型

3.1 LightGBM原理

LightGBM[8]是一種分布式的梯度提升決策樹(shù)增強(qiáng)框架，主要采用了直方圖(Histogram)算法[9]和受深度限制的葉子生長(zhǎng)(Leaf-wise)策略[10]相結(jié)合的思想，通過(guò)T棵弱回歸樹(shù)線性組合為強(qiáng)回歸樹(shù)，如式(4)所示，最終實(shí)現(xiàn)對(duì)大數(shù)據(jù)集或小批量數(shù)據(jù)樣本的分類或回歸。

(4)

其中，F(xiàn)(x)為最終的輸出值，ft(x)為第t棵弱回歸樹(shù)的輸出值。

在LightGBM中，(1)Histogram算法將連續(xù)型的特征值數(shù)據(jù)離散化為k個(gè)值,以生成寬為k的直方圖，并將離散的訓(xùn)練數(shù)據(jù)值作為索引積累到直方圖上，當(dāng)遍歷結(jié)束后，通過(guò)直方圖的離散值來(lái)尋找決策樹(shù)的最優(yōu)分割點(diǎn)；(2)Leaf-wise策略在每次遍歷所有葉節(jié)點(diǎn)時(shí)，找到分裂增益最大的葉節(jié)點(diǎn)(如圖2中的黑色節(jié)點(diǎn))繼續(xù)分裂過(guò)程，并通過(guò)增加最大深度限制來(lái)控制決策樹(shù)的訪問(wèn)深度和葉節(jié)點(diǎn)數(shù)量，從而避免過(guò)擬合現(xiàn)象和降低模型復(fù)雜度。

Figure 2 Growth process of Leaf-wise strategy圖2 Leaf-wise策略生長(zhǎng)過(guò)程

在進(jìn)行數(shù)據(jù)并行的時(shí)候，LightGBM 可通過(guò)Histogram作差加速，一個(gè)葉節(jié)點(diǎn)的直方圖可以通過(guò)其父節(jié)點(diǎn)與兄弟節(jié)點(diǎn)的直方圖作差計(jì)算得到。利用該方法，LightGBM在構(gòu)造葉節(jié)點(diǎn)時(shí)，可以通過(guò)少量的計(jì)算得到它兄弟葉節(jié)點(diǎn)的直方圖，使計(jì)算量大幅度降低。

3.2 LightGBM超參數(shù)優(yōu)化

LightGBM模型中有諸多需要手工調(diào)節(jié)的超參數(shù)，如最大樹(shù)深度、執(zhí)行分裂的最小信息增益、單位樹(shù)的葉節(jié)點(diǎn)數(shù)等，這些參數(shù)的合理設(shè)置決定了模型預(yù)測(cè)結(jié)果的擬合速率和準(zhǔn)確率等性能指標(biāo)。傳統(tǒng)的調(diào)參方法有隨機(jī)搜索和網(wǎng)格搜索[11,12]等。其中，網(wǎng)格搜索是固定步長(zhǎng)的窮舉搜索法，對(duì)坐標(biāo)空間中的每個(gè)點(diǎn)都進(jìn)行計(jì)算，即可找到已知參數(shù)中的最優(yōu)參數(shù)。但是，若網(wǎng)格步長(zhǎng)不夠小，網(wǎng)格搜索出來(lái)的最優(yōu)參數(shù)可能與真實(shí)最優(yōu)參數(shù)有較大距離；當(dāng)步長(zhǎng)足夠小時(shí)，雖然可以找到全局最優(yōu)參數(shù)，但是當(dāng)坐標(biāo)空間范圍較大時(shí)，又可能導(dǎo)致大量無(wú)效的計(jì)算，使計(jì)算時(shí)間呈指數(shù)級(jí)上升。由于LightGBM模型參數(shù)眾多，參數(shù)取值范圍較大，若采用網(wǎng)格搜索參數(shù)，需要進(jìn)行大量的計(jì)算，所以網(wǎng)格搜索不適用，而隨機(jī)搜索又難以找到全局最優(yōu)解，因此需要新的方法來(lái)解決LightGBM超參數(shù)優(yōu)化問(wèn)題。

具有主動(dòng)優(yōu)化特性的貝葉斯優(yōu)化方法[13]對(duì)于復(fù)雜參數(shù)優(yōu)化問(wèn)題是一個(gè)有效的解決辦法，該方法通過(guò)基于序列模型的優(yōu)化來(lái)尋找全局最優(yōu)解。貝葉斯優(yōu)化本質(zhì)上是使用概率代理模型來(lái)擬合真實(shí)函數(shù)，并根據(jù)擬合結(jié)果選擇最優(yōu)評(píng)估點(diǎn)進(jìn)行下一步的評(píng)估，進(jìn)而減少非必要的采樣[14]。由貝葉斯定理可知(如式(5)所示)，該方法利用已知信息對(duì)先驗(yàn)概率進(jìn)行修正，進(jìn)而計(jì)算出后驗(yàn)概率，同時(shí)可利用完整有效的歷史評(píng)估結(jié)果來(lái)提高搜索效率。

(5)

其中，Y表示參數(shù)模型的參數(shù);P(Y)表示先驗(yàn)概率模型;D為已觀測(cè)向量集合;P(Y|D)表示目標(biāo)函數(shù)的代理，由似然分布P(D|Y)修正得到。在每一次迭代后，更新概率代理模型，通過(guò)最大化采集函數(shù)，計(jì)算出新的評(píng)估點(diǎn)，并將其作為輸入再次傳入系統(tǒng)進(jìn)行迭代，獲取新的輸出，以此更新已觀測(cè)集合D和概率代理模型。

在參數(shù)模型中，常見(jiàn)的概率模型有高斯過(guò)程(Gaussian Processes)和樹(shù)狀結(jié)構(gòu)Parzen估計(jì)方法TPE(Tree-structured Parzen Estimator)等，其中高斯過(guò)程具有高靈活性與可擴(kuò)展性，在高斯過(guò)程中生成的多維高斯分布在理論上能夠擬合任意線性/非線性函數(shù)，故本文提出的面向小樣本數(shù)據(jù)學(xué)習(xí)的多分類算法中選擇高斯過(guò)程對(duì)代理進(jìn)行建模；采集函數(shù)則是采用了基于提升的策略EI(Expected Improvement)，其具有參數(shù)少、可平衡深度與寬度之間的關(guān)系等優(yōu)點(diǎn)。

在利用貝葉斯對(duì)LightGBM超參數(shù)優(yōu)化的過(guò)程中，需要選擇未知函數(shù)中的幾個(gè)已知點(diǎn)作為先驗(yàn)事件，假設(shè)已選點(diǎn)服從多維高斯分布，根據(jù)高斯分布公式，可以計(jì)算出每一個(gè)點(diǎn)的均值與方差，即高斯過(guò)程由一個(gè)均值函數(shù)與一個(gè)半正定的協(xié)方差函數(shù)構(gòu)成。假設(shè)x為輸入數(shù)據(jù)集數(shù)據(jù)，在給定均值向量與協(xié)方差矩陣2個(gè)參數(shù)的條件下，參數(shù)Y將服從如式(6)所示的聯(lián)合正態(tài)分布，以便對(duì)觀測(cè)值yn與yn+1之間的關(guān)系進(jìn)行遞推計(jì)算。

(6)

若協(xié)方差矩陣(即核矩陣)記為K，因Y服從多正態(tài)分布，根據(jù)訓(xùn)練集可以計(jì)算得最優(yōu)核矩陣，進(jìn)而得出后驗(yàn)估計(jì)測(cè)試集Y*。根據(jù)高斯過(guò)程的相關(guān)性質(zhì)，觀測(cè)值集合y與預(yù)測(cè)函數(shù)值集合y*服從如式(7)所示的聯(lián)合分布[15]：

(7)

其中,K*=[k(x*,x1),k(x*,x2),…,k(x*,xn)],K**=k(x*,x*)。

計(jì)算出聯(lián)合分布后即可求預(yù)測(cè)數(shù)據(jù)y*的條件分布p(y*|y)：

最后以均值作為預(yù)測(cè)數(shù)據(jù)的估計(jì)值，如式(8)所示：

(8)

4 組合預(yù)測(cè)模型LSVAE

組合預(yù)測(cè)模型LSVAE主要由半監(jiān)督變分自編碼器SemiVAE、多分類器LightGBM和貝葉斯超參數(shù)優(yōu)化器3部分組成，如圖3所示。

Figure 3 LSVAE model圖3 LSVAE模型

圖3中，SemiVAE利用標(biāo)簽數(shù)據(jù)對(duì)小樣本空間數(shù)據(jù)進(jìn)行半監(jiān)督學(xué)習(xí)，以獲得數(shù)據(jù)特征和隱變量Z；LightGBM基于隱變量Z的值進(jìn)行多分類計(jì)算，并將結(jié)果反饋給SemiVAE計(jì)算損失，以便提高下一步訓(xùn)練的準(zhǔn)確率；貝葉斯優(yōu)化器則負(fù)責(zé)根據(jù)當(dāng)前的計(jì)算結(jié)果對(duì)LightGBM的超參數(shù)進(jìn)行自適應(yīng)調(diào)整。

4.1 數(shù)據(jù)特征提取

本文模型使用半監(jiān)督變分自編碼器(SemiVAE)的編碼過(guò)程得到均值向量μ和標(biāo)準(zhǔn)差向量σ，并通過(guò)重參數(shù)化技巧計(jì)算得隱變量Z，然后利用隱變量Z進(jìn)行解碼(Decoder)得到重建數(shù)據(jù)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

Figure 4 Network structure of LSVAE圖4 LSVAE模型網(wǎng)絡(luò)結(jié)構(gòu)

4.1.1 編碼(Encoder)過(guò)程

SemiVAE所用編碼網(wǎng)絡(luò)的輸入長(zhǎng)度為256的序列，通過(guò)折疊形成16*16的二維序列。網(wǎng)絡(luò)包括4個(gè)卷積層、2個(gè)池化層和1個(gè)全連接層。每層卷積層后會(huì)有一個(gè)ReLU激活函數(shù)。卷積核為3*3，步長(zhǎng)為1。經(jīng)過(guò)卷積后并伸展會(huì)形成長(zhǎng)度為1 024的特征向量。再經(jīng)過(guò)編碼網(wǎng)絡(luò)后，會(huì)得到長(zhǎng)度為20的特征向量，即為變分自編碼器的均值向量與標(biāo)準(zhǔn)差向量，通過(guò)變換即可得到隱變量Z。

4.1.2 解碼(Decoder)過(guò)程

解碼網(wǎng)絡(luò)對(duì)應(yīng)編碼網(wǎng)絡(luò)，參數(shù)規(guī)格相同，即4個(gè)反卷積層、2個(gè)池化層，也采用ReLU激活函數(shù)，通過(guò)反卷積將低維特征映射成高維特征，再映射到低維度空間，最后輸出長(zhǎng)度為256(16*16)的序列。

4.2 損失函數(shù)構(gòu)建

損失函數(shù)能夠提升準(zhǔn)確率，降低過(guò)擬合程度以及對(duì)抗欠擬合，所以損失函數(shù)的選擇對(duì)計(jì)算結(jié)果有很大的影響。本文對(duì)損失函數(shù)的定義如式(9)所示。

Loss=κxeχxe+κklχkl+κreχre

(9)

其中,χxe表示交叉熵?fù)p失，χkl表示正則項(xiàng)損失，χre表示重建損失，超參數(shù)分別預(yù)設(shè)為κxe=2，κkl=1，κre=2。損失函數(shù)涉及到的交叉熵用于對(duì)抗模型趨近于模糊的懶惰性，提高準(zhǔn)確率；KL散度為了增加泛化能力，顯式建模隱變量分布。

4.2.1 交叉熵?fù)p失χxe

在半監(jiān)督下，交叉熵用來(lái)衡量預(yù)測(cè)分布與真實(shí)分布之間的差異，在分類不明顯的情況下可以對(duì)抗生成數(shù)據(jù)趨于模糊的缺點(diǎn)，使得輸入數(shù)據(jù)對(duì)應(yīng)的潛變量更具有區(qū)分性，具體計(jì)算公式如式(10)所示：

(10)

其中,xi表示輸入數(shù)據(jù)集X的第i組，p(xi)表示真實(shí)分布，q(xi)表示預(yù)測(cè)分布。

4.2.2 正則項(xiàng)損失χkl

KL散度作用是比較2個(gè)概率分布的接近程度，SemiVAE與標(biāo)準(zhǔn)自編碼器的區(qū)別在于對(duì)編碼器添加約束，強(qiáng)迫它服從單位正態(tài)分布，進(jìn)而限制隱變量Z空間的稀疏性，提高了泛化能力。相關(guān)計(jì)算公式如式(11)所示：

(11)

其中,σi表示標(biāo)準(zhǔn)差的第i個(gè)元素，μi表示L2正則項(xiàng)，J表示數(shù)據(jù)量。

4.2.3 重建損失χre

重建損失是指重建圖像與真實(shí)圖像的差異，通常表示為在多維空間中的歐幾里得距離的平方，即均方誤差，如式(12)所示：

(12)

其中，x′i為重建圖像，xi為真實(shí)圖像。

LSVAE模型所用算法偽代碼如算法1所示。

算法1LSVAE偽代碼

1.fori=1,2,…,epochsdo

2.SampleXtin minibatch;

4.Sampling:Zt←μZt+ε⊙σZ,ε～N(0,1);

5./*μZt是Zt的均值向量，σZt是Zt的標(biāo)準(zhǔn)差向量，Zt為第t次迭代的隱變量，ε采樣于標(biāo)準(zhǔn)正態(tài)分布N(0,1)*/

6.Decoder:μXt←fθ(Zt);//μXt是Xt的均值向量

7.Compute cross entropy loss:

9.Compute relative entropy loss:

11.Compute reconstruction loss:

13.Fuse the three loss:

14.Loss=κxeχxe+κklχld+κreχre;

15.Back-propagate the gradients:

16.g←compute gradientθ,γ(θ,;Xt,ε);

18. //until maximum iteration reached

19.endfor

5 實(shí)驗(yàn)

5.1 故障數(shù)據(jù)集

5.1.1 數(shù)據(jù)源說(shuō)明

本文使用的數(shù)據(jù)集來(lái)自凱斯西儲(chǔ)大學(xué)CWRU(Case Western Reserve University)滾動(dòng)軸承數(shù)據(jù)中心[16]，該中心提供對(duì)軸承和軸承故障的測(cè)試數(shù)據(jù)，是世界上公認(rèn)且流行的軸承故障診斷數(shù)據(jù)集。

CWRU滾動(dòng)軸承數(shù)據(jù)的實(shí)驗(yàn)平臺(tái)由一個(gè)1.5 KW的電動(dòng)機(jī)(左)、一個(gè)扭矩傳感器及編碼器(中)、一個(gè)功率測(cè)試計(jì)(右)和電子控制器(未顯示)組成，如圖5所示。待檢測(cè)的軸承支撐著電機(jī)的轉(zhuǎn)軸，風(fēng)扇端軸承型號(hào)為SKF6203，采樣頻率為12 KHz，驅(qū)動(dòng)端的軸承型號(hào)為SKF6205，采樣頻率分別為12 KHz和48 KHz。

Figure 5 Rolling bearing fault data acquisition experimental bench圖5 滾動(dòng)軸承數(shù)據(jù)采集實(shí)驗(yàn)平臺(tái)

CWRU軸承數(shù)據(jù)集中的滾動(dòng)軸承有4種狀態(tài)，分別是正常狀態(tài)、內(nèi)圈故障狀態(tài)、外圈故障狀態(tài)和滾動(dòng)體故障狀態(tài)。軸承的損傷來(lái)源于電火花加工時(shí)造成的單點(diǎn)損傷。SKF軸承用于檢測(cè)3種直徑為0.177 8 mm,0.355 6 mm,0.533 4 mm的損傷，NTN軸承用于檢測(cè)直徑為0.711 2 mm,1.016 mm的損傷。將特殊加工過(guò)的故障軸承裝入實(shí)驗(yàn)平臺(tái)中，分別在0 hp, 1 hp, 2 hp和3 hp(hp為馬力)的電機(jī)負(fù)載下記錄振動(dòng)加速度信號(hào)數(shù)據(jù)，共獲得8個(gè)正常樣本、53個(gè)外圈損傷樣本、23個(gè)內(nèi)圈損傷樣本和11個(gè)滾動(dòng)體損傷樣本。

5.1.2 數(shù)據(jù)集預(yù)處理

本實(shí)驗(yàn)將CWRU提供的軸承數(shù)據(jù)依據(jù)電機(jī)運(yùn)行馬力的不同分成3個(gè)數(shù)據(jù)集，每個(gè)數(shù)據(jù)集包含一個(gè)正常軸承數(shù)據(jù)、0.177 8 mm的3類故障數(shù)據(jù)和0.355 6 mm的3類故障數(shù)據(jù)，共7類數(shù)據(jù)，如表1所示。分別按照長(zhǎng)度為128,256和512個(gè)數(shù)據(jù)點(diǎn)進(jìn)行截取，并對(duì)其采用Min-Max線性歸一化處理后，利用傅里葉變換為雙邊幅度譜數(shù)據(jù)，以便進(jìn)行后續(xù)算法驗(yàn)證。

訓(xùn)練樣本使用了數(shù)據(jù)集增強(qiáng)技術(shù)，一組實(shí)驗(yàn)數(shù)據(jù)共包含了電機(jī)負(fù)載分別在1 hp, 2 hp和3 hp狀態(tài)下采集的3類數(shù)據(jù)，其中訓(xùn)練樣本數(shù)為每一類數(shù)據(jù)40*s個(gè)(s∈{1,2,4,8})，測(cè)試集樣本包含1 000個(gè)數(shù)據(jù)，且互不相交。

5.2 實(shí)驗(yàn)結(jié)果及分析

本文使用Python語(yǔ)言和TensorFlow開(kāi)源框架[17]1.9版本搭建了模型開(kāi)發(fā)與測(cè)試環(huán)境，模型數(shù)據(jù)流過(guò)程如圖3所示。輸入數(shù)據(jù)首先進(jìn)入編碼器，編碼為潛變量，并進(jìn)入分類器，然后解碼，計(jì)算損失值，更新各參數(shù)，最后再輸入測(cè)試數(shù)據(jù)測(cè)試模型效果。

為觀察數(shù)據(jù)的數(shù)據(jù)量對(duì)結(jié)果的影響，按數(shù)據(jù)量和數(shù)據(jù)長(zhǎng)度的不同，分別將本文與經(jīng)典的KNN、CNN模型進(jìn)行了測(cè)試對(duì)比，實(shí)驗(yàn)所用數(shù)據(jù)總量不超過(guò)7*80*512個(gè)樣本。實(shí)驗(yàn)將測(cè)試10組數(shù)據(jù)分別改變每類數(shù)據(jù)量和單位數(shù)據(jù)長(zhǎng)度進(jìn)行測(cè)試對(duì)比，分組命名規(guī)則為：類別數(shù)*每類數(shù)量*單位數(shù)據(jù)長(zhǎng)度l，對(duì)比分析的數(shù)據(jù)維度以l(l∈{128，256，512})進(jìn)行替代計(jì)算，分別為7*40*l,7*80*l,7*l*128,7*l*256,如圖6a～圖6d所示，測(cè)試規(guī)格如表2所示，編碼器參數(shù)預(yù)設(shè)值如表3所示。

從圖6的對(duì)比分析可知，傳統(tǒng)網(wǎng)絡(luò)模型KNN

Table 2 Grouping format of data sets 表2 數(shù)據(jù)集分組規(guī)格

Table 3 Encoder parameter default values表3 編碼器參數(shù)預(yù)設(shè)值

和CNN在小樣本空間較小的情況下，對(duì)軸承故障分類診斷的準(zhǔn)確率均低于LSVAE的，這主要是本文所使用的軸承數(shù)據(jù)是多組數(shù)據(jù)相關(guān)性較大的一維時(shí)序信號(hào)，而一般情況下CNN在二維數(shù)據(jù)上的表現(xiàn)會(huì)更好一些，如果將一維信號(hào)折疊，再將網(wǎng)絡(luò)結(jié)構(gòu)更改一下，確實(shí)可以提高準(zhǔn)確率，但是模型相應(yīng)地也會(huì)變復(fù)雜，進(jìn)而導(dǎo)致需要的數(shù)據(jù)量增加，所以在小樣本學(xué)習(xí)中CNN的表現(xiàn)難以達(dá)到預(yù)期；KNN可以在高維度空間中根據(jù)距離進(jìn)行有效聚類分析，但是對(duì)于具有較大數(shù)據(jù)相關(guān)性的時(shí)間序列數(shù)據(jù)，難以利用距離直接進(jìn)行特征提取和分析。本文提出的LSVAE通過(guò)SemiVAE迭代過(guò)程自適應(yīng)進(jìn)行特征提取與學(xué)習(xí)，同時(shí)在一定程度上避免了欠擬合的情況，再利用貝葉斯優(yōu)化超參數(shù)改善過(guò)擬合的情況，從而在小樣本數(shù)據(jù)學(xué)習(xí)中表現(xiàn)出了較優(yōu)越的性能。

Table 1 Grouping description of Data Sets表1 數(shù)據(jù)集分組描述

Figure 6 Comparison of different network models圖6 不同網(wǎng)絡(luò)模型對(duì)比

6 結(jié)束語(yǔ)

針對(duì)旋轉(zhuǎn)機(jī)械設(shè)備中滾動(dòng)軸承部件的故障數(shù)據(jù)分析與分類診斷問(wèn)題,本文提出了一種結(jié)合變分自編碼器與LightGMB分類模型的小樣本學(xué)習(xí)模型LSVAE，并通過(guò)貝葉斯超參數(shù)優(yōu)化增強(qiáng)性能，使得模型可以通過(guò)訓(xùn)練小批量的數(shù)據(jù)，得到良好的分類結(jié)果。實(shí)驗(yàn)結(jié)果表明：

(1)LSVAE模型可以從較小批量的時(shí)序信號(hào)中提取出有效的故障特征，且結(jié)果有著較高的準(zhǔn)確率。

(2)相比于其他深度神經(jīng)網(wǎng)絡(luò)模型(CNN等)，LSVAE在小批量數(shù)據(jù)測(cè)試中結(jié)果更穩(wěn)定。