MACDCGAN的发电机轴承故障诊断方法

作     者：曹洁 尹浩楠 王进花 CAO Jie;YIN Haonan;WANG Jinhua

作者机构：兰州理工大学电气工程与信息工程学院兰州730050 甘肃省制造信息工程研究中心兰州730050 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2024年第43卷第11期

页      面：227-235页

核心收录：

学科分类：08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 

基　　金：国家自然科学基金项目(62063020 61763028) 国家重点研发计划项目(2020YFB1713600) 甘肃省自然科学基金项目(20JR5RA463) 

主　　题：发电机 特征提取 生成对抗网络(GAN) 卷积神经网络(CNN) 故障诊断 

摘      要：在实际工况中,发电机中传感器采集到的故障样本数据有限,使用基于深度学习的方法进行故障诊断存在过拟合问题导致模型泛化能力较差以及诊断精度不高。为了解决这个问题,采用样本扩充的思路,提出了一种改进的辅助分类器条件深度卷积生成对抗网络(MACDCGAN)的故障诊断方法。通过对采集的一维时序信号进行小波变换增强特征,构建简化结构参数的条件深度卷积生成对抗网络模型生成样本,并在模型中采用Wasserstein距离优化损失函数解决训练过程中存在模式崩塌和梯度消失的缺点;通过添加一个独立的分类器来改进分类模型的兼容性,并在分类器中引入学习率衰减算法增加模型稳定性。试验结果表明,该方法可以有效地提高故障诊断的精度,并且验证了所提模型具有良好的泛化性能。