基于格拉姆角差场和生成对抗网络的小样本滚动轴承故障诊断方法

作     者：强睿儒 赵小强 QIANG Ruiru;ZHAO Xiaoqiang

作者机构：兰州理工大学电气工程与信息工程学院甘肃兰州730050 

基　　金：国家自然科学基金资助项目(62263021,62163023) 甘肃省高校产业支撑计划项目(2023CYZC-24) 

出 版 物：《华南理工大学学报（自然科学版）》 (Journal of South China University of Technology(Natural Science Edition))

年 卷 期：2024年第52卷第10期

页      码：64-75页

摘      要：针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习,且面对样本数量受限时诊断效果不佳的问题,文中提出了一种基于格拉姆角差场(GADF)和生成对抗网络(GAN)的小样本滚动轴承故障诊断方法。首先,提出了基于GADF变换的数据增强方式,将少数1维振动信号通过GADF变换转换为2维GADF图像,并通过裁剪得到GADF子图,从而得到大量的图像样本;然后,将条件生成对抗网络(CGAN)与带有梯度惩罚的Wasserstein GAN(WGAN-GP)相结合,构建一种新的生成对抗网络,该网络通过条件辅助信息与梯度惩罚增强模型训练稳定性,并设计动态坐标注意力机制以增强模型的空间感知能力,从而生成高质量样本;最后,使用生成的样本对分类器进行训练,并在验证集上得到诊断结果。文中分别使用东南大学数据集和美国凯斯西储大学(CWRU)数据集进行了两组小样本环境下的轴承故障诊断实验。结果表明,与传统生成对抗网络以及先进的小样本故障诊断方法相比,文中所提方法的准确率和精确率等5项故障诊断指标均获得最好的结果,可以准确诊断出小样本条件下的轴承故障类型。

主 题 词：小样本轴承故障诊断 格拉姆角差场 生成对抗网络 注意力机制 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 080203[080203] 0835[0835] 0802[工学-机械学] 0811[工学-水利类] 0812[工学-测绘类] 080201[080201] 

核心收录：

D　O　I：10.12141/j.issn.1000-565X.240021

馆 藏 号：203145533...