基于GAN的轴承故障诊断方法

针对轴承工作过程中早期故障样本少、故障类型不平衡的问题,提出一种基于生成式对抗网络(GAN)的数据增强方法。该方法应用快速傅里叶变换(FFT)对轴承信号进行预处理,然后将频谱作为GAN的输入,生成故障样本数据。最后,将生成的数据与原始数据结合构成新的数据集,并利用支持向量机(SVM)实现故障分类识别。通过轴承实验和统计学特性验证,表明该方法可以生成有效故障样本,同时采用扩充后的新数据集与原始数据集相比诊断准确率更高。     

基于WGAN-GP的轴承健康诊断方法

针对生产现场设备的故障数据有限,影响其健康诊断准确性的问题,结合振动信号的特点,设计一种改进梯度惩罚Wasserstein距离生成对抗网络的数据扩充方法。对故障信号进行快速傅里叶变换获得其频谱信号,将频谱信号作为网络的输入,由生成器产生生成信号,扩充不平衡的数据集。在轴承健康诊断实验中,该方法可以解决数据不平衡下的健康诊断问题,并与其他常用的数据扩充方法相对比,验证该方法的有效性。     

基于主动生成式过采样和深度堆叠网络的轴承故障诊断

针对数据不平衡分类问题,提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先,在带有分类器的生成式对抗网络(ACGAN)的训练过程中,将Wasserstein距离作为新目标函数,为生成器提供有效梯度,并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数,克服训练不协调所导致的模型收敛困难,以提高ACGAN的训练稳定性,改善生成样本的质量。其次,采用基于委员会查询(QBC)的主动学习算法,并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选,以保证所挑选样本的多样性;同时利用筛选出的样本训练判别器,引导生成器生成信息量丰富的少数类样本。最后,在平衡数据集的基础上,训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。     

半监督阶梯网络和GAN在滚动轴承故障诊断的应用

滚动轴承是旋转机械的关键部件,统计表明,约30%的旋转机械故障出现在滚动轴承处。人工智能的发展给工业生产中的故障诊断提供了新途径,深度学习已经成为旋转机械故障诊断的一种新颖且有效的方法。普通神经网络的训练需要大量各种情况下的带标签数据,然而现实中工业数据存在不平衡和标签成本高等问题,限制深度学习在工业实际中故障诊断的发展。这里针对滚动轴承监测数据不平衡和缺少标签等问题影响深度学习在工业领域落地应用的情况,提出一种基于半监督阶梯网络和生成对抗网络（GAN）的方法,建立GAN-SSLadder分类模型,基于公开的轴承故障数据库,实现在标签少,数据量小的情况下测试集的识别准确率达到95.5%。     

基于生成对抗网络的轴承不平衡数据研究

数据类别不平衡对轴承故障的诊断有很大影响,而生成对抗网络(Generate Adversarial Net)作为最热门的神经网络之一,在数据生成方面有巨大优势,对解决数据不平衡问题有很大帮助.通过GAN的生成器G和判别器D使生成数据无限接近于真实数据,而且数据分布与真实数据类似.再利用卷积神经网络(Convolutio...     

基于差分进化算法的二次回归在矿井通风机故障诊断中的应用

针对矿井通风机故障诊断过程中样本数据有限的特点,提出了一种经差分进化算法优化的二次回归诊断方法。将样本数据分为建模数据和测试数据,测试结果表明该方法具有适用性强、操作简单、精准度高,且无需太多样本数据等特点,值得推广。     

基于改进鱼群算法优化神经网络的轴承故障诊断研究

论述了一种改进的鱼群算法,利用其全局寻优能力优化BP神经网络的权值和阈值,形成一套基于改进鱼群算法优化神经网络的故障诊断方法（ADAFSA-BP）。通过试验采集和处理轴承故障信息,应用GA-BP,SFLA-BP和ADAFSA-BP对试验数据进行处理和对比分析,结果表明:ADAFSA-BP不仅加快了神经网络的收敛速度,而且在诊断精度上有了较大提高。     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法.对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN...     

自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

故障样本获取困难导致的训练样本不均衡严重影响故障诊断模型的可用性及准确率,因此提出一种基于自适应辅助分类器生成式对抗网络的故障样本生成模型,通过度量判别器与生成器的相对性能自适应地调节生成器损失值,使训练收敛更快、生成数据质量更好。将所提方法、辅助分类器生成式对抗网络方法生成的数据,以及未经处理的试验原始数据作为BP分类模型的输入数据进行试验,结果表明所提方法生成数据训练的模型更优。所提方法与1D-CNN、e2e-LSTM、CFVS-SVM和FFT-CNN等方法的对比结果表明,所提方法的故障诊断准确率、信息处理时间均最优。