基于数据生成与迁移学习的轴承小样本故障诊断

简介

针对风电机轴承历史运行数据来源单一、数据量少,导致风电机轴承故障诊断性能受限问题,提出一种基于数据生成与迁移学习的轴承小样本故障诊断方法。首先,对于轴承数据集中存在类不平衡、数据稀缺的问题,提出一种基于门限机制的数据生成方法,采用与轴承驱动端同轴的桨叶端数据为模板产生足量的生成数据,结合真实数据作为源数据集;然后,根据数据的时序关联性和小样本的应用场景,提出一种基于一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)和双向门限单元(Bidirectional Gated Recurrent Unit,BiGRU)的迁移学习(Transfer Learning)方法,先用源数据集在训练网络上训练获得源模型,再用少量驱动端数据作为目标数据集对其进行微调(Fine-tuning)获得目标模型;最后,对目标模型全连接层的输出采用Softmax函数进行故障诊断。实验表明,提出的故障检测方法在目标集小样本数据的场景下平均精度达到99.67%,分类效果明显,泛化能力强。