基于MGAN和CNN的齿轮故障智能诊断方法

针对实际工程中采集的齿轮故障信号样本不足，以及在噪声干扰的情况下采用常见深度学习网络进行模式识别出现的训练不足、故障识别率低和生成对抗网络易发生模式坍塌等问题，提出了一种基于MGAN(Mixture generative adversarial nets)和CNN(Convolutional neural networks)的齿轮故障智能诊断方法。将真实齿轮信号经形态学滤波处理后通过时频变换技术转变为时频信号，利用MGAN网络合成新样本来获得一个平衡数据集，克服了样本不足的问题；同时，分析了MGAN网络主要参数对合成样本质量的影响规律；采用平衡数据集训练CNN进行故障诊断，有效提高了故障诊断率。通过对比试验和试验台试验，验证了该方法在样本不足条件下对故障进行准确识别以及克服神经网络模式坍塌方面的有效性及优势，为实现齿轮箱典型故障提取及智能识别提供了新的研究思路。