| 小样本条件下轴承故障的DCGAN诊断方法 |
| |
| 引用本文： | 柳雅倩,蔡浩原,李文宽,赵晟霖,刘春秀.小样本条件下轴承故障的DCGAN诊断方法[J].振动．测试与诊断,2023,43(4):817-823. |
| |
| 作者姓名： | 柳雅倩 蔡浩原 李文宽 赵晟霖 刘春秀 |
| |
| 作者单位： | 1.中国科学院空天信息创新研究院 北京, 100190;2.中国科学院大学电子电气与通信工程学院 北京, 100049 |
| |
| 基金项目： | 国家自然科学基金资助项目（61774157， 81771388）；北京市自然科学基金资助项目（4182075） |
| |
| 摘 要： | 针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题，提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks， 简称DCGAN）的扩充滚动轴承故障小样本库的方法，以丰富故障信息，在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应，设计上采样卷积（up-sampling convolution， 简称USCONV）层，将传统DCGAN算法与双线性插值的上采样及卷积相结合，对故障数据小波变换图像进行训练学习，输出逼真的生成样本。该模型针对多种故障情况，在小样本故障库条件下能准确完善数据集，缓解过拟合等问题，提高了再诊断的准确性。实验结果表明，USCONV层对棋盘格问题有明显改善，小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%，证明了该方法的可行性和有效性。
|
| 关 键 词： | 故障诊断 小样本 深度卷积生成对抗网络 深度学习 滚动轴承 |
| 收稿时间： | 2021/2/10 0:00:00 |
| 修稿时间： | 2021/4/21 0:00:00 |
Research on Deep Convolutional Generative Adversarial Networks Diagnosis Method of Bearing Fault Under Small Sample Condition |
| |
| LIU Yaqian,CAI Haoyuan,LI Wenkuan,ZHAO Shenglin,LIU Chunxiu.Research on Deep Convolutional Generative Adversarial Networks Diagnosis Method of Bearing Fault Under Small Sample Condition[J].Journal of Vibration,Measurement & Diagnosis,2023,43(4):817-823. |
| |
| Authors: | LIU Yaqian CAI Haoyuan LI Wenkuan ZHAO Shenglin LIU Chunxiu |
| |
| Abstract: | |
| |
| Keywords: | |
|
| 点击此处可从《振动．测试与诊断》浏览原始摘要信息 |
|
点击此处可从《振动．测试与诊断》下载全文 |
