改进条件对抗网络在小样本故障诊断中的研究

在实际智能设备的故障诊断中,往往很难获得大量的故障样本,这对基于机器学习的故障诊断的分类精度造成不可估量的影响。为了提高小样本情况下的故障诊断精度,提出一种基于条件对抗网络的生成模型(Conditional generative adversarial networks-gradient penalty,CGAN-GP),用于数据增强来获得充足的故障样本。CGAN-GP利用二维卷积,学习预处理后获得的二维故障样本的分布特性,生成与真实样本相似的样本,并使用Wasserstein距离和梯度惩罚(Gradient penalty,GP)策略解决模型训练中的问题,同时将故障样本的标签信息输入模型引导模型生成特定的故障样本,实现一个模型可生成多种故障样本,并且在CWRU轴承数据集上得以验证。研究表明提出的模型可以生成与真实样本特征相似的高质量样本,能够有效提高小样本情况下故障诊断的识别率。

基于Triplet Network的小样本轴承、齿轮故障诊断方法

针对小样本条件下,深度神经网络在机械设备典型部件中(轴承、齿轮)故障诊断精度不高这一问题,提出了一种基于Triplet Network的机械设备典型部件(轴承、齿轮)故障诊断方法。首先,利用短时傅里叶变换,将原始时序信号转换为时频信号;然后,采用了基于Triplet Network搭建的模型,从时频信号中提取了同一故障和不同故障样本的特征,通过对比相同故障和不同故障样本特征的相似度,对模型参数进行了优化,达到了提取的同一故障样本特征相似度越来越高,不同故障样本特征相似度越来越低的效果;最后,通过比较未知样本与已知故障样本的特征相似度,实现了对机械设备典型部件(轴承、齿轮)的故障识别,并采用江南大学轴承故障数据集和康涅狄格大学齿轮故障数据集,对该故障诊断方法的有效性进行了实验验证。研究结果表明:基于Triplet Network的方法在每类训练样本只有5个的情况下,轴承故障识别率可以达到68%,齿轮故障识别率为96.8%,均优于传统的深度神经网络方法。

融合注意力机制的二维CNN变工况轴承故障诊断

针对重载滚动轴承在交变工况条件下运行时导致的故障诊断效果差、分类精度低的问题,提出一种融合注意力机制的二维CNN滚动轴承诊断方法。对滚动轴承在正常运行时和发生不同故障时的原始信号采用短时傅里叶变换处理,并为其设定标签作为训练样本。为提高特征识别率,设计了融合注意力机制的多尺度卷积模块,通过对滚动轴承有效的特征给予更多“注意”,从而提高滚动轴承的故障诊断精度,并借助江南大学轴承数据集加以实验验证。研究表明:以准确率和混淆矩阵为评价指标,在单工况条件下,融合注意力机制二维卷积神经网络平均准确率为99.60%,在变工况条件下的平均准确率为98.41%,均优于BP网络、标准CNN和支持向量机(SVM)模型,实现了轴承故障的高效诊断。