基于改进SMOTE和分类器的轴承故障诊断方法、系统技术方案

本发明专利技术公开了一种基于改进SMOTE和分类器的轴承故障诊断方法、系统。方法包括：依据采集的轴承原始振动信号构建样本，获得样本集；对样本集进行数据预处理，划分不均衡训练集、测试集；将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合；依据改进SMOTE的合成公式，生成虚拟样本；将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。本发明专利技术能避免传统SMOTE直接插值导致的类内分布不平衡问题；提高了诊断准确率。提高了诊断准确率。提高了诊断准确率。

【技术实现步骤摘要】
基于改进SMOTE和分类器的轴承故障诊断方法、系统


[0001]本专利技术涉及一种基于改进SMOTE和分类器的轴承故障诊断方法、系统，属于机械装备故障诊断与状态监测


技术介绍

[0002]滚动轴承作为智能装备的基础零部件被广泛应用于国防工业、航空航天、铁路交通、电力工业等领域，对国民经济有着重要的影响。由于高速、重载等众多工程现场因素的影响，滚动轴承在服役期间经常会出现各种故障导致设备的停机，进而导致企业效益受损，甚至威胁到操作人员的生命。因此，如何有效的对轴承的健康状况进行监测有着重要的意义。
[0003]当前，流行的智能诊断模型多依赖于完整的设备状态数据和状态标记，但工程实际中存在故障类型数据获取困难、成本高、正常状态监测数据量充足而故障失效数据少且价值密度较低等问题，导致智能诊断建模有效监测数据的不平衡。数据不平衡问题会导致诊断的效率和准确率不理想，严重制约了智能诊断理论在工程中的应用与推广。
[0004]以人工智能为代表的数据生成模型，如生成对抗式网络GANs、迁移学习（TL, Transfer Learning）、生成查询网络(GQN, Generative Query Network)等都被引入数据不平衡问题分析。但是该类方法存在模型训练稳定性差、耗时长、参数冗余等问题，当数据量处于极度不平衡时，深度学习模型难以在小规模数据中学习到深度信息。为了避免上述问题，过采样算法成为一种有效手段，但是传统统合成过采样算法（Synthetic Minority Oversampling Technique, SMOTE）生成故障数据信息量有限，具有一定的盲目性，导致准确率低。因此，如何利用有限的故障样本进行高精度的故障诊断，解决数据不均衡问题一直是该领域的难点。

技术实现思路

[0005]本专利技术提供了一种基于改进SMOTE和分类器的轴承故障诊断方法、系统，将原始SMOTE算法的合成公式进行了改造，打破了原始算法在样本
‑
样本内差值的局限性，引入了偏移因子与缩放因子，少数类样本进行类内训练集与测试集划分，增加样本利用率；进一步地建立了偏移因子、缩放因子与分类器准确率的自适应迭代关系，使用粒子群进行优化，得到最优的参数组合，生成虚拟样本，以使得不均衡数据集达到平衡，用于解决数据不均衡情况下故障诊断精度较低的问题。
[0006]本专利技术的技术方案是：
[0007]根据本专利技术的一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断方法，包括：S1、依据采集的轴承原始振动信号构建样本，获得样本集；S2、对样本集进行数据预处理，划分不均衡训练集、测试集；S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；S4、使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的
合成公式，生成虚拟样本；S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；S6、使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
[0008]所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵，使用PCA降维方法对特征提取后的特征矩阵进行降维，取累积主成分贡献率大于等于95%的主成分进行保留。
[0009]所述改进SMOTE的合成公式如下：；其中，表示改进SMOTE生成的样本，定义为偏移因子，定义为缩放因子，表示的是的第个邻近样本，为不均衡训练集中的少数类样本。
[0010]所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，具体为：建立偏移因子、缩放因子与SVM分类准确率的优化关系，优化手段为粒子群算法，定义SVM分类准确率为，优化的目标为SVM分类准确率最大，即最小，得到最优参数组合。
[0011]所述S4，使用目标优化算法进行最优参数组合获取时，利用不均衡训练集中的少数类样本划分类内训练集及类内测试集对分类器进行训练和测试。
[0012]所述偏移因子、缩放因子取值范围：，。
[0013]根据本专利技术的另一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断系统，包括：第一获得模块，用于依据采集的轴承原始振动信号构建样本，获得样本集；划分模块，用于对样本集进行数据预处理，划分不均衡训练集、测试集；建立模块，用于将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；生成模块，用于使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；获得模块，用于将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；诊断模块，使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。
[0014]根据本专利技术的另一方面，提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的基于改进SMOTE和分类器的轴承故障诊断方法。
[0015]本专利技术的有益效果是：一方面，本专利技术能避免传统SMOTE直接插值导致的类内分布不平衡问题；另一方面，鉴于SVM在不均衡样本分类领域体现的优异性能，本专利技术建立了参数生成边界与SVM分类准确率的优化关系，避免少数类有限数据点限制，在保证分类准确率的基础前提下实现生成数据的多样性，提高了诊断准确率。
附图说明
[0016]图1是本专利技术的总体流程图；
[0017]图2是本专利技术实施例主成分贡献率分布图；
[0018]图3是不均衡训练集训练SVM模型后，使用测试集得到的混淆矩阵图；
[0019]图4是原始少数类样本与使用改进SMOTE扩充后的样本可视化结果图；
[0020]图5是本专利技术中使用测试集验证改进SMOTE生成的数据带入SVM训练模型得到的混淆矩阵图；
[0021]图6是本专利技术所提方法与传统SMOTE算法、KM
‑
SMOTE以及Borderline
‑
SMOTE对比结果图。
具体实施方式
[0022]下面结合附图和实施例，对专利技术作进一步的说明，但本专利技术的内容并不限于所述范围。
[0023]实施例1：如图1
‑
6所示，根据本专利技术实施例的一方面，提供了一种基于改进SMOTE和分类器的轴承故障诊断方法，包括：S1、依据采集的轴承原始振动信号构建样本，获得样本集；S2、对样本集进行数据预处理，划分不均衡训练集、测试集；S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；S4、使用目标优化算法建立了偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；S6、使用均衡训练集训练分类器，测试集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，包括：S1、依据采集的轴承原始振动信号构建样本，获得样本集；S2、对样本集进行数据预处理，划分不均衡训练集、测试集；S3、将原始SMOTE算法的合成公式引入偏移因子与缩放因子，建立改进SMOTE的合成公式；S4、使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，即偏移因子、缩放因子组合；依据改进SMOTE的合成公式，生成虚拟样本；S5、将生成的虚拟样本加入到不均衡训练集内，形成均衡训练集；S6、使用均衡训练集训练分类器，测试集/待测试样本进行测试得到诊断结果。2.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述预处理为对样本集中的每一个样本进行特征提取得到特征矩阵，使用PCA降维方法对特征提取后的特征矩阵进行降维，取累积主成分贡献率大于等于95%的主成分进行保留。3.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述改进SMOTE的合成公式如下：；其中，表示改进SMOTE生成的样本，定义为偏移因子，定义为缩放因子，表示的是的第个邻近样本，为不均衡训练集中的少数类样本。4.根据权利要求1所述的基于改进SMOTE和分类器的轴承故障诊断方法，其特征在于，所述使用目标优化算法建立偏移因子、缩放因子与分类器准确率的自适应迭代关系，得到最优参数组合，具体为：建立偏移因子、缩放因子与SVM分类准确率...

【专利技术属性】
技术研发人员：王振亚，伍星，刘韬，刘畅，柳小勤，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：