基于DBI-小波包分解和改进BP神经网络的轴承故障诊断方法研究

针对轴承故障诊断问题,以振动信号为分析对象,提出DBI-小波包分解和改进BP神经网络的诊断方法。采用4层小波包分解获取振动信号的不同频带特征,引入戴维森堡丁指数（Davies-Bouldin index,DBI）定量评价小波包分解结果,确定小波基函数为FK22时达到最佳分解结果。采用改进的BP神经网络对不同频带特征识别,引入弹性梯度下降法解决传统BP神经网络收敛速度慢和梯度消失等问题,提高网络训练速度。同时,针对BP神经网络隐藏层层数及各隐藏层节点个数难以确定的问题,设计正交实验对不同参数组合效果进行验证,选出最佳参数,避免盲目低效调参。对电机滚动轴承进行验证,结果表明平均故障识别准确率达到98.833%。     

不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别

针对风机叶片开裂状态样本少、识别率低的问题，提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象，从理论角度对不平衡样本问题进行深入分析，设计了满足开裂样本生成与判别的GAN网络模型，引入批量归一化保障特征服从标准正态分布，加速网络训练过程收敛。以神经网络为分类器，以F1值、Recall、Precision为度量指标，在36个UCI基准数据集上对所提方法进行测试，结果表明增强后的结果更好。真实实验表明，以逻辑回归及神经网络为分类器，相比原始不平衡样本，增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比，以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比，分类准确率分别提高19%和23%。