-
题名MISSD联合生成对抗网络的主轴轴承故障诊断方法
- 1
-
-
作者
王振亚
伍星
刘韬
-
机构
昆明理工大学机电工程学院
云南省先进装备智能制造技术重点实验室
滇西应用技术大学
-
出处
《振动.测试与诊断》
北大核心
2025年第4期774-781,847,848,共10页
-
基金
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)。
-
文摘
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。
-
关键词
生成对抗网络
奇异谱信号分解
互信息
注意力机制
故障诊断
-
Keywords
generative adversarial networks
singular spectrum de-composition
mutual information
attention mechanism
fault diagnosis
-
分类号
TH17
[机械工程—机械制造及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-
