基于ACGAN-DSAN的变工况滚动轴承故障诊断

针对轴承故障数据少、样本不平衡以及变工况导致故障诊断准确率低的问题,提出一种辅助分类生成对抗网络与深度子领域自适应网络(ACGAN-DSAN)相结合的故障诊断方法。首先,将不同负载下的原始一维数据转换为灰度图,建立二维图像的数据集,并分为源域和目标域;其次,用故障样本训练ACGAN,将生成的故障样本混入原始样本中,以达到平衡和增强数据集的作用;然后,在ACGAN中引入自适应损失函数,通过超参数控制模型的鲁棒性,进而提高生成图像的质量;最后,基于DSAN通过非线性变换将源域和目标域分布的相关子领域对齐,使子领域分布差异最小化,并引入自注意力机制提高模型对故障特征的非线性拟合能力,通过构造联合损失函数对变工况轴承的故障进行自适应诊断。以美国凯斯西储大学轴承数据集为例进行试验验证,结果表明该方法能有效提高故障诊断准确率,且模型有较好的泛化能力。     

基于MTLSAM模型的小样本变工况轴承故障诊断

为了解决小样本条件下的变工况轴承故障诊断的困难，提出了一种基于元迁移学习(meta transfer learning)与自注意力机制(self-attention mechanism)结合的方法MTLSAM。首先，将不同工况的原始振动信号转换为灰度图像，利用所有工况的数据训练特征提取模块的参数；其次，根据元学习方法对数据集进行随机采样，形成元学习任务。该元训练过程中，利用已知工况下的多个元学习任务，训练元模型的参数；最后，在元测试阶段，利用不同工况的元学习任务对模型进行微调实现变工况的准确诊断。实验证明，所提出的MTLSAM在小样本条件下能够较好地实现变工况故障诊断，并且具有较好的泛化能力。