MISSD联合生成对抗网络的主轴轴承故障诊断方法
作者:
作者单位:

1.昆明理工大学机电工程学院 昆明,650500;2.云南省先进装备智能制造技术重点实验室 昆明,650500;3.滇西应用技术大学 大理,671000

作者简介:

通讯作者:

伍星,男,1973年3月生,博士、教授、博士生导师。主要研究方向为现代信号处理技术及其应用、设备智能诊断理论及系统、声学故障诊断理论与方法。 E-mail:xwu@kust.edu.cn

中图分类号:

TH17;TP183

基金项目:

国家自然科学基金资助项目(52065030);云南省高校服务重点产业科技专项资助项目(FWCY-BSPY2024056);云南省教育厅科学研究基金资助项目(2024Y128)


Author:
Affiliation:

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    针对主轴轴承监测数据中正常样本数量与故障样本数量失衡导致的智能模型精度低、鲁棒性差的问题,提出互信息(mutual information,简称MI)改进的奇异谱分解(singular spectrum decomposition, 简称SSD)联合生成对抗网络(generative adversarial networks, 简称GAN)的数据生成方法(记作MISSD)。首先,对轴承振动信号进行SSD分解,利用MI理论对分解分量进行筛选和归一化处理;其次,使用一维卷积神经网络(convolutional neural network, 简称CNN)融合筛选后的信号,作为模型的噪声输入,以保证信息最大化,生成器采用长短时记忆(long short-term memory, 简称LSTM)网络代替传统CNN,使生成器结构更适合一维振动信号;然后,引入具有梯度的Wasserstein距离改进损失,并结合谱归一化以提高模型稳定性,对抗生成具有真实样本特征的虚拟样本;最后,构建具有注意力机制(attention mechanism, 简称ATT)的CNN模型(记作CNN-ATT)完成故障诊断。结果表明:所提方法生成的故障样本在各项指标上均优于其他模型,对比一维CNN(记作1D-CNN)模型,3个数据集准确率分别提高了7.6%、6.8%和5.7%。所提方法有效提升了故障样本不足情况下的故障诊断精度。

    Abstract:

    参考文献
    相似文献
    引证文献
引用本文
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:2022-10-24
  • 最后修改日期:2022-12-26
  • 录用日期:
  • 在线发布日期: 2025-09-03
  • 出版日期:
您是第位访问者
振动、测试与诊断 ® 2025 版权所有
技术支持:北京勤云科技发展有限公司