基于WGAN-div和DLA34模型的轴承故障智能诊断新方法

针对实际工业场景中设备长时间运行于正常运行状态,故障样本不易获得且采集到的样本种类不平衡,导致以数据为驱动的深度智能诊断模型性能退化的问题,提出一种基于生成对抗网络(WGAN-div)和深度卷积神经网络DLA的两阶段处理模型。利用WGAN-div生成故障样本,实现样本间的类平衡,将平衡后的数据集送入DLA34网络中进行特征提取和故障分类。DLA34以其特殊的聚合结构能够融合各层的语义和空间信息,实现更深的信息共享。最后,利用凯斯西储大学轴承故障数据集进行验证。实验结果表明:该模型中WGAN-div能生成与原始样本高度相似的生成样本,数据平衡效果也优于目前主流的GAN、WGAN和DCGAN;且由DLA34完成的故障识别准确率在所设数据集上均达到100%。