小样本下基于深度学习的柴油机典型故障诊断方法研究.pdfVIP

摘要

柴油机因良好的动力性与燃油经济性被广泛应用于国民生产的诸多领域中，

其工作过程的可靠性直接影响整个机械系统的安全运行，因此对柴油机进行实

时非拆解性的故障诊断十分必要。近年来，基于深度学习的故障诊断方法因强

大的特征提取能力和良好的自适应性受到广泛关注；然而现有模型在训练样本

较少时易发生过拟合现象，导致深度学习的性能严重失效。针对上述问题，论

文选取柴油机故障率相对较高的燃料供给系统故障开展故障模拟实验，利用采

集到的振动数据对基于深度学习的故障诊断和数据增强方法进行了深入研究，

在小样本下实现对不同故障的“端到端”诊断，具体如下：

(1)针对训练样本匮乏时深度学习故障诊断模型准确率低、易过拟合的问题，

建立了一种基于小批次训练的残差卷积神经网络(Mini-batchtrainingbased

residualconvolutionalneuralnetwork,MRCNN)的故障诊断模型。采用连续可微

线性指数单元作为激活函数并采取小批次训练方法，既提高模型特征提取能力

又加快网络收敛速度。同时引入残差结构融合输入数据的浅层特征，避免深层

网络固有的特征丢失与梯度消失的问题。最终在每个模拟故障状态仅有20个训

练样本时，该方法对不同数据集的故障识别率均在95%以上，且能有效提高多

次诊断结果的一致性。

(2)为解决训练样本不足的问题，将生成对抗网络(Generativeadversarial

network,GAN)引入柴油机故障诊断领域，建立了一种基于梯度惩罚Wasserstein

辅助分类生成对抗网络(WassersteinauxiliaryclassifierGANwithgradientpenalty,

WACGAN-GP)的故障数据增强方法。该方法利用ACGAN(auxiliaryclassifier

GAN)批量生成多种类型的故障数据，提高数据增强的效率。以Wasserstein距

离作为ACGAN的判别损失来衡量数据间特征分布的差异，同时加入梯度惩罚

项并舍弃批量归一化层以保证判别器满足1-Lipschitz连续条件，在提高模型收

敛能力的同时避免梯度爆炸，生成高质量的人工数据对训练集进行增强。经验

证，利用WACGAN-GP对训练集进行数据增强可以有效提高小样本下的故障诊

断准确率与识别结果的可信度。

(3)为摆脱初始训练集限制，进一步提高训练样本的多样性，向强化训练集

中引入按标签聚集的人工噪声数据，建立了一种基于人工数据融合的故障数据

增强方法。首先采用差别训练的方式训练ACGAN，得到表现为分类损失收敛、

判别损失不收敛的生成器，生成与真实数据特征分布不同但按标签聚集的人工

噪声数据，用于优化诊断模型的判定范围。再将人工噪声数据与WACGAN-GP

生成的人工数据融合后对训练集进行增强，使训练集中样本的多样性摆脱初始

I

训练集的限制。经故障诊断模型验证表明，该数据增强方法对故障诊断模型性

能的提升效果优于相关对比方法。结合MRCNN验证论文方法对小样本故障诊

断的有效性，结果表明：论文仅利用10个工作周期的故障数据进行训练，对不

同故障识别率在95%置信度下的置信下限均高于90%，基本满足工程应用需求；

采集30个工作周期的故障数据即可实现对不同故障状态的精确识别。

综上所述，针对所设定的柴油机典型故障，论文建立的诊断方法能在训练

样本较少的情况下，实现对不同故障状态的精确识别。该方法亦可用于针对柴

油机其它系统或类型的故障在小样本条件下的故障状态识别。

关键词：故障诊断，数据增强，卷积神经网络，生成对抗网络，人工数

据融合，柴油机

II

ABSTRACT

Thedieselengineiswidelyusedinmanyfieldsofnationalproductionbecause

ofitsgoodpowerperformanceandfuelec