Um Método de Diagnóstico de Falhas Desbalanceado para Rolamentos Baseado em Rede Geradora Adversarial Condicional Semi-Supervisionada com Normalização Espectral

Em aplicações industriais reais, os rolamentos estão sob condições normais de trabalho na maior parte do tempo, e os dados de falhas que podem ser coletados são insuficientes, tornando-os propensos ao desequilíbrio de dados. Devido ao alto custo de rotulagem de todos os dados de falhas, a maioria dos dados de falhas não possui rótulo. Neste estudo, a Rede Geradora Adversarial Condicional Semi-Supervisionada com Normalização Espectral (SN-SSCGAN) é proposta para resolver esses problemas. Sua ideia central é gerar novas amostras com distribuição similar usando amostras de falhas da minoria parcialmente rotuladas para equilibrar o conjunto de dados. Primeiro, este método aplica a Transformada de Wavelet para pré-processar um sinal de vibração e obter uma matriz tempo-frequência. Em segundo lugar, os dados de falhas tempo-frequência parcialmente rotulados são utilizados como entrada do SN-SSCGAN, o equilíbrio de Nash é alcançado por meio do treinamento adversarial, e então dados com distribuição similar são gerados. Por fim, os dados de falhas gerados são adicionados ao conjunto de dados para equilibrar, e uma rede neural convolucional é utilizada para diagnóstico de falhas. A eficácia do método proposto é verificada com experimentos comparativos no conjunto de dados de rolamentos CWRU. Os resultados mostram que este método pode gerar amostras de alta qualidade e determinar resultados satisfatórios no diagnóstico de falhas de rolamentos quando apenas um pequeno número de amostras rotuladas e o restante das amostras não rotuladas são utilizados.