Bearing Fault Diagnosis Based on Improved Gated Convolutional Network with Imbalanced Data

深度学习在滚动轴承故障诊断中具有广泛的应用, 然而, 现实中的监测数据往往具有不平衡性, 这就会对模型的诊断性能产生很大影响. 因此, 提出一种基于改进门控卷积神经网络 (Improved Gated Convolutional Neural Network, IGCNN) 的故障诊断方法, 用于数据不平衡条件下的故障诊断. 首先, 提出改进门控卷积层以增强特征提取能力, 通过批量归一化技术提高模型的泛化能力. 然后, 使用标签分布感知边界 (Label-distribution-aware Margin, LDAM) 损失函数提高模型对少数类的敏感度, 减小数据不平衡对模型的影响. 将所提算法应用在两组故障轴承数据上, 在数据不平衡率为 20: 1 的情况下, 所提算法仍然可达到 92.71% 和 94.47% 的故障识别率, 而对比的其他主流深度学习模型在该情况下只有 60%~ 72% 的准确率, 表明所提方法在数据集严重不平衡情况下具有很强的诊断能力和鲁棒性.