基于LSGAN-LSTM的齿轮故障诊断

摘要：

针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络(LSGAN)结合长短期记忆网络(LSTM)的方法.将齿轮的原始样本输入LSGAN模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练LSTM诊断模型,完成小样本下的故障诊断.以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至 98.3%.通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考.

关键词：最小二乘生成对抗网络、长短期记忆网络、故障诊断、小样本、数据增强、深度学习、齿轮、可视化

所属期刊栏目：45

分类号：TP183(自动化基础理论)

资助基金：辽宁省教育厅项目LQGD2020016

在线出版日期：2023-07-25（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：436-441