基于VAE-GAN数据增强算法的小样本滚动轴承故障分类方法

近些年,数据增强算法被广泛应用于小样本故障分类中。然而,传统的数据增强模型在训练中经常出现梯度爆炸、梯度消失等问题,这在一定程度上限制了其在滚动轴承故障分类上的应用。为了解决上述问题,提出了一种新的模型框架。该模型首先将滚动轴承的原始一维振动数据通过连续小波变换(CWT)转换为二维图像,然后利用变分自动编码生成式对抗网络(VAE-GAN)对图像数据做样本增强,最后利用生成图片和原图片共同训练一个卷积神经网络(CNN)故障分类器。使用凯斯西储大学实验室的公开数据集对所提出的方法进行了验证。实验结果表明,与其他模型相比,所提出的模型具有更优越的性能。