《机电工程》杂志社科技期刊核心期刊论文投稿机电一体化机械、仪表电工自动化、计算机浙江大学主办

《机电工程》杂志，月刊( 详细... )

中国标准连续出版物号： ISSN 1001-4551 CN 33-1088/TH
主办单位：浙江省机电集团有限公司
浙江大学
主编：赵群
副主编：唐任仲、罗向阳(执行主编)
总经理：罗向阳
出版：浙江《机电工程》杂志社有限公司
地址：杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
国外发行：中国国际图书贸易总公司
订阅：全国各地邮局 国外代号：M3135
国内发行：浙江省报刊发行局
邮发代号：32-68
广告发布登记证：杭上市管广发G-001号

在线杂志	当前位置：机电工程 >>在线杂志

基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滚动轴承故障诊断方法

作者：骆耀谱.王衍学.李　孟. 日期：2023-08-14/span> 浏览：334 查看PDF文档

基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滚动轴承故障诊断方法*

骆耀谱１.王衍学１.２..李　孟１

(１. 北京建筑大学机电与车辆工程学院.北京１０２６１６.２. 北京建筑大学

城市轨道交通服役性能保障北京市重点实验室.北京１０００４４)

摘要:在实际的工业过程中.由于滚动轴承故障数据的小样本或样本分布不平衡问题很常见.导致许多算法难以准确地识别不同故障. 针对这一问题.提出了一种基于条件卷积生成对抗网络(ＣＣＧＡＮ)和ＲｅｓＮｅｔ３４的深度神经网络故障诊断方法. 首先.采集了滚动轴承振动信号数据.并将振动信号转换为灰度图像.并增强了其数据特征.然后.采用ＣＣＧＡＮ网络学习了原始小样本数据的特征.扩展了小样本不平衡数据集.最后.在滚动轴承振动信号的数据扩充和特征增强的基础上.采用ＲｅｓＮｅｔ３４深度网络进行了一维振动信号的小样本不平衡故障诊断和分类. 研究结果表明:随着小样本不平衡数据集逐步扩展到多维平衡数据集.该方法在不同数据集中故障诊断的准确性均得到了有效提高.在分类精度上达到了９９. ５％.诊断证明了其特征提取能力优于典型的机器学习和深度学习网络.从而验证了该方法在小样本不平衡故障诊断中的优势。
关键词:小样本故障诊断;数据扩充.深度学习;生成对抗网络;残差结构;条件卷积生成对抗网络;改进的特征提取并增强方法
中图分类号:ＴＨ１３３. ３３　　　　文献标识码:Ａ文章编号:１００１－４５５１(２０２３)０６－０８５２－０８

本文引用格式 :

骆耀谱.王衍学.李　孟.基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滚动轴承故障诊断方法[Ｊ].机电工程.２０２３.４０(６):８５２－８５９.
ＬＵＯＹａｏ-ｐｕ.ＷＡＮＧＹａｎ-ｘｕｅ.ＬＩＭｅｎｇ.ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＣＣＧＡＮａｎｄＲｅｓＮｅｔ３４[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ.２０２３.４０(６):８５２－８５９.