近期，我校机械设备健康维护湖南省重点实验室“高端装备智能感知与运维”科技创新团队21级硕士生李赛在不平衡变转速数据下轴承故障诊断方向取得新进展，相关研究成果以“Rolling Bearing Fault Diagnosis Under Data Imbalance and Variable Speed Based on Adaptive Clustering Weighted Oversampling”为题，发表在工程技术领域国际顶尖学术期刊《Reliability Engineering & System Safety》(中科院一区TOP，IF: 8.1，非开源)。该论文是在彭延峰副教授、沈意平教授等联合指导下完成的部分研究成果，也是李赛以第一作者继“Prediction of Wind Turbine Blades Icing Based on CJBM With Imbalanced Data”(IEEE Sensors Journal，中科院二区TOP，IF: 4.3，非开源)以来的进一步创新性研究成果。

▲论文首页

在现代工业中，机械系统的智能化和集成化程度不断提高。因此，对状态监测和故障诊断的需求也越来越大。滚动轴承是旋转机械中的关键部件，约占机械设备故障的30%。然而，随着设备和运行条件的日益复杂，以试验台仿真和虚拟建模的形式获取足够的故障数据是很困难的。此外，出于安全考虑，机器设备不允许长时间处于故障状态，所获得的监测数据所包含的正常数据远远多于故障数据。因此，轴承故障诊断经常面临诸如有限的故障数据样本量等挑战，特别是对于灾难性故障。这些挑战给轴承故障诊断带来了特征偏差和标记偏差等问题，引导许多研究人员将重点放在变工况和不平衡数据下的轴承故障诊断上，为未来的研究提供了潜在的方向。

理论研究表明，基于冗余属性投影技术和自适应加权聚类过采样的方法是可行的，去除了变转速对显著特征的影响，并提高了聚类和分类识别的精度。具体而言，在三种不平衡比例下，除CNN-LSTM外，预测准确率均超过90%，且无分类偏差问题。所提出的ACWOS在两组实验上均获得了较高的预测精度，在失衡比为10:1时，其预测精度领先于其他方法约1.41% ~ 3.78%，在失衡比为10:2时，其预测精度领先于其他方法约0.85% ~ 2.78%，在失衡比为10:2时，其预测精度领先于其他方法约0.48% ~ 2.52%。在10:3时，ACWOS和MACGAN对实验的预测能力相当，仅高出0.48%。此外，实验2的整体准确率低于实验1。无论是变转速还是时变转速，都可以方便地采集到其健康工况数据。从已知时变条件中去除未知时变条件的实际意义不大，但仍有继续改进的空间。相关研究结论可为不平衡变转速数据下轴承故障诊断提供一种可行方案，具有重要的工程实际意义。

▲方法详细框架

该研究得到了国家自然科学基金(No. 52375092和52275107)、湖南省科技创新人才计划项目(No. 2022RC1135)和湖南省自然科学基金项目(No. 2021JJ30260)的支持。据悉，李赛同学参与申报国家自然科学基金等科研项目，作为核心技术人员参与了华为技术有限公司、华菱湘潭钢铁集团有限公司和中国航发湖南动力机械研究所等多项攻关项目，在论文发表、专利撰写、项目研究、代码编制和工程测试等方面积累了较为丰富的经验。

原文链接:https://doi.org/10.1016/j.ress.2024.109938

（一审：李海屿 二审：王 虎 三审：李洪华）