基于VMD重构数据增强的不平衡少样本轴承故障识别方法

来源：计算机集成制造系统杂志2026年第1期北京时间：

作者：张锐, 赵锦钰, 郭洪飞, 王燕, 杨思妍, 刘婷婷, 周卫斌, 游国栋

单位：1.天津科技大学电子信息与自动化学院2.内蒙古工业大学3.天津城建大学计算机与信息工程学院

摘要：滚动轴承在机械设备中至关重要,其健康状态直接关系到机械设备安全运行和整体性能,然而,实际运行中获取足够的故障样本进行研究是一项挑战。因此,针对实际工况下故障样本数量缺少、与正常样本数量相比形成类不平衡的情形,提出一种基于变分模态分解(VMD)重构数据增强的故障识别模型。首先,通过VMD分解和滤波调整将轴承故障信号重构为平衡数据集。其次,建立各故障类型样本特征参数与不同故障尺寸间关联性,实现生成样本特征评估。最后,通过深度学习YOLOv8算法对各不平衡比例数据集进行深入分析。分析实验结果表明,所提方法能有效扩充少样本场景下的轴承故障数据,提高故障识别精度,从数据层面解决类不平衡问题,对于轴承不平衡样本故障识别具有可行性和有效性。

关键词：故障识别,不平衡样本,变分模态分解,数据增强,滚动轴承

基金资助：内蒙古自治区重点研发和成果转化计划资助项目(2023YFJM0007);内蒙古自治区自然科学基金资助项目(2024ZD26)。