8、智能故障诊断中的卷积神经网络与数据增强

智能故障诊断中的卷积神经网络与数据增强

1. 卷积神经网络用于感应电机故障诊断

在智能故障诊断领域，提出了一种用于感应电机故障诊断的卷积判别特征学习（CDFL）方法。该方法能够直接从原始数据中学习特征，以表征感应电机的不同工作状态。
- 特征提取架构 ：当通过反向传播神经网络（BPNN）学习局部滤波器的权重时，可以构建快速卷积池化架构，从原始振动数据中提取具有判别性和不变性的特征。
- 分类过程 ：支持向量机（SVM）可以对学习到的特征进行成功分类，从而实现感应电机的故障诊断。
- 效果验证 ：实验研究验证了CDFL从故障信号中提取判别性和有效特征的能力。与其他先进方法相比，该方法在感应电机故障诊断中更有效、更稳健。

特征可视化结果显示，在高维空间中不同类别之间存在一定的重叠，但这与高诊断准确率是一致的，这定性地说明了CDFL用于故障诊断的有效性。

2. 数据增强在智能故障诊断中的重要性

对于基于深度学习的故障诊断方法，训练数据是影响预测模型性能的重要因素。
- 数据不平衡问题 ：深度神经网络通常包含多个隐藏层，需要训练的自由参数数量巨大，为了实现准确预测，需要大量平衡的数据来充分训练网络。然而，在实际应用中，不同机器状态的训练样本往往存在不平衡。例如，机械系统在正常情况下运行时间较长，代表正常状态的正训练样本充足，而故障状态下的样本相对较少。
- GANs的解决方案 ：生成对抗网络（GANs）为解决数据不平衡分类问题提供了一种选择