基于1D-LeNet-5模型的滚动轴承故障诊断方法

风力发电过程中,轴承能否正常运行关系到风电机组能否正常工作.针对现有基于深度学习的轴承故障诊断模型结构复杂、参数众多和训练困难的问题,提出了基于LeNet-5模型改进的一维卷积神经网络滚动轴承故障诊断方法.首先,为了更大程度提取故障信息,引入短时傅里叶变换对原始振动信号进行预处理.其次,设计一维网络模型,其感受野更大,计算速度更快;同时,引入Leaky-ReLU激活函数,其对输入信号的细节处理能力更强;并且增加批归一化层和Dropout层,提高模型泛化能力.最后,利用训练后的模型进行故障诊断实验.结果表明,该方法在10类轴承故障分类中诊断准确率能够达到99.98%,针对风电机组轴承故障诊断具有较好的工程应用前景.

基于生成对抗网络的滚动轴承不平衡数据集故障诊断新方法

在实际工程应用中,滚动轴承在大多数时间都工作在正常状态下,故障状态时间很短。由于成本,让其长时间工作在故障状态是不现实的。这将造成故障诊断数据集的不平衡,即正常的样本远远多于故障的样本,而这会极大地影响故障诊断结果的准确性和稳定性。针对该问题,提出一种基于Wasserstein距离条件梯度惩罚生成对抗网络(CWGAN-GP)的轴承不平衡数据集故障诊断方法,该方法能够稳定地生成高质量的样本。在故障诊断过程中,首先对生成样本的质量进行评估,然后对不平衡数据集进行逐步扩充与平衡。实验表明,该方法能够生成与真实样本高度相似的生成样本,并随着不平衡数据集被逐渐平衡,故障诊断的准确率也得到有效的提高。此外,CWGAN-GP模型在样本生成方面比其他生成模型具有更好的表现。