科研之友
微信
新浪微博
Facebook
分享链接
摘要
实际工业生产过程中故障数据较难采集，而训练一个具有良好性能的传统深度学习模型又依赖于大量的数据样本。针对这一问题，本文提出一种改进辅助分类生成对抗网络与注意力机制相结合(Modified Auxiliary Classifier Generative Adversarial Network with Attention Mechanism， M-ACGAN-A)的故障诊断模型。首先对振动信号进行短时傅里叶变换，将其转化为二维时频图，从而增强数据特征，其次采用ACGAN的生成器网络学习实际数据样本的分布，生成大量模拟数据样本，然后利用嵌入注意力机制的分类器进行模型训练，训练过程中通过引入Wasserstein距离来指导模型缩短源分布与目标分布的差距，并通过谱归一化来防止模型梯度爆炸，最后利用训练完成的分类器进行故障诊断。为了证明改进模型的有效性，研究分别采用凯斯西储大学(Case Western Reserve University， CWRU)轴承数据集和帕德博恩大学(Paderborn University， UPB)轴承数据集进行了一系列对比实验，结果表明所提模型能够更好地利用有限的数据信息，更加有效地实现故障诊断。
- 单位
