科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
-
单位机电工程学院; 兰州理工大学
