科研之友
微信
新浪微博
Facebook
分享链接
摘要
在实际工况下，轴承可采集到的故障样本分布往往呈现极强的不均衡特性，该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度，采用样本生成扩充的思路，提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性，采用快速傅里叶变换使其转化为频域，并通过归一化进行预处理；其次利用深度卷积生成对抗网络进行对抗训练，生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层，提高了模型生成的效率及真实性。最后，构建一维卷积神经网络模型完成故障诊断。实验验证结果表明，提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。
-
单位西南交通大学; 中车工业研究院有限公司
