基于自注意力机制条件残差生成对抗网络的滚动轴承故障诊断

作者：刘权; 裴未迟^*

来源：轴承, 2022, (11): 68-75.

DOI：10.19533/j.issn1000-3762.2022.11.013

• 滚动轴承
• 故障诊断
• 深度学习
• 生成对抗网络
• 残差网络
• 自注意力机制

针对传统的深度卷积生成对抗网络(DCGAN)属于无监督学习，而且随着卷积层数加深会造成梯度消失，卷积核尺寸的限制导致只能获取输入数据局部特征的问题，提出一种基于自注意力机制条件残差生成对抗网络(S-CRGAN)的故障诊断方法。S-CRGAN在DCGAN的基础上与条件生成对抗网络(CGAN)相结合并引入标签信息，将深度残差网络(ResNet)引入DCGAN中以缓解梯度消失，在深度残差网络模块中加入自注意力机制来获取全局信息，增强模型的泛化性并使模型更稳定。使用凯斯西储大学(CWRU)和帕德伯恩大学(UPB)轴承数据进行仿真验证的结果表明，S-CRGAN方法的故障识别准确率分别为99.87%。

• 单位
  华北理工大学