滚动轴承细粒度故障诊断研究

针对目前滚动轴承故障诊断主要采用监督式深度学习提取故障特征以及检测故障种类为粗粒度的现状,提出一种基于高斯混合模型(Gaussian mixed models,GMM)和深度残差收缩网络(deep residual shrinkage networks,DRSN)的滚动轴承细粒度故障诊断方法。GMM模型集成多个高斯分布函数,拟合细粒度故障数据的分布情况,实现对没有标签的轴承振动信号进行聚类,DRSN模型中注意力机制从大量故障特征信息中聚焦于对当前任务更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学(Case Western Reserve University,CWRU)滚动轴承故障数据中收集30种轴承健康状态对该方法进行了验证,结果表明,将非监督模型与深度学习模型融合,能够处理不含标签情况下的轴承故障数据,实现对轴承故障进行细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。

基于DCGAN与DRSN的滚动轴承细粒度故障诊断

针对目前滚动轴承故障诊断难以获取大量典型的轴承故障数据以及检测故障种类为粗粒度的现状,提出一种基于深度生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)的滚动轴承细粒度故障诊断方法。通过DCGAN对滚动轴承故障样本进行数据增强,结合原始故障样本用于进一步故障特征提取,DRSN模型中注意力机制从大量故障特征信息中聚焦于更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值。在凯斯西储大学轴承故障数据集CWRU上验证DCGAN-DRSN模型的有效性并与其他经典模型对比,结果表明,该方法能够解决数据不平衡造成的模型泛化性能差、故障诊断精度低的问题,实现对轴承故障细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性。