WGAN-GP结合CBAM-VGG16轻量化网络滚动轴承故障诊断

作     者：闫向彤 罗嘉伟 曹现刚 YAN Xiangtong;LUO Jiawei;CAO Xiangang

作者机构：西安科技大学机械工程学院西安710054 

出 版 物：《噪声与振动控制》 (Noise and Vibration Control)

年 卷 期：2024年第44卷第5期

页      面：120-127页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金重点资助项目(51834006) 

主　　题：故障诊断 滚动轴承 生成对抗网络 Ghost模块 卷积注意力模块 

摘      要：针对滚动轴承故障诊断中存在的故障数据不平衡且诊断效率低的问题,提出一种将改进的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)和轻量化卷积神经网络相结合的滚动轴承故障诊断方法。首先,利用连续小波变换(Continuous Wavelet Transform,CWT)生成二维时频图,并通过WGAN-GP进行数据增强;其次在视觉几何群网络(Visual Geometry Group Network-16,VGG16)的基础上,引入Ghost模块和全局平均池化(Global Average Pooling,GAP)对其进行轻量化改进;再次,利用卷积注意力模块(Convolutional Block Attention Module,CBAM)和带重启的余弦退火衰减法提高VGG16模型的性能,构建CBAM-VGG16轻量化卷积神经网络模型,将增强后的数据进行预处理后输入到模型中进行训练,建立故障诊断模型;最后采用西储大学轴承数据集进行模型验证和分析。实验结果表明:该方法证实了故障数据不足时进行故障诊断的可行性,缩短了模型的训练时间、诊断时间并缩减了模型的大小和参数量,提高了故障诊断的效率和准确率。