文摘针对滚动轴承实际运行中的故障数据远少于正常数据,从而影响故障诊断模型诊断率的问题,提出了一种数据不平衡情况下的基于改进生成对抗网络(generative adversarial networks,GAN)的滚动轴承故障诊断方法——基于梯度惩罚的Wasserstein生成对抗网络(Wassserstein generative adversarial networks based on gradient penalty,WGAN-GP)。首先,采用连续小波变换(continuewavelettransform,CWT)将振动信号集转化为二维图像数据集。然后,用Wasserstein距离替代GAN的Jensen-Shannon(JS)散度,再使用梯度惩罚策略在WGAN权值裁剪过程中优化模型,使生成器损失函数的权值在区间中取得均衡,实现故障数据的自动生成,扩充故障数据集。最后,设置了不平衡数据集和数据增强对比实验,结果表明,WGAN-GP在所设置的不同不平衡比例实验下的模型诊断率分别提高了2.29%、1%、2.85%,在数据增强对比实验中的诊断率也高于几何变换增强后的数据和原始数据。
