基于CWGAN-GP与CNN的轴承故障诊断方法

摘要：

针对在实际工作过程中轴承故障样本数偏少且不均衡的问题,提出一种基于条件Wasserstein生成对抗网络(CWGAN-GP)和卷积神经网络(CNN)的轴承故障诊断方法.首先,通过结合条件生成对抗网络(CGAN)和基于梯度惩罚Wasserstein距离的生成对抗网络(WGAN-GP),构建CWGAN-GP生成对抗网络;然后,将少量轴承故障的数据样本输入CWGAN-GP中,以得到与原始样本相似的高质量样本,待网络达到纳什均衡时将生成样本和原始样本混合,产生新的样本集;最后,将新样本集输入卷积神经网络学习样本特征进行故障诊断.实验结果表明,本文提出的诊断方法准确度超过99%,高于其他诊断方法,有效提高了诊断精度,增强了其泛化能力.

关键词：故障诊断、深度学习、轴承、生成对抗网络、卷积神经网络

分类号：TP202(自动化技术及设备)

资助基金：国家自然科学基金51705531

在线出版日期：2023-08-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1-6