《機電工程》雜志社科技期刊核心期刊論文投稿機電一體化機械、儀表電工自動化、計算機浙江大學主辦

作者登錄
審稿登錄
編輯登錄
主編登錄

《機電工程》雜志，月刊( 詳細... )

中國標準連續出版物號： ISSN 1001-4551 CN 33-1088/TH
主辦單位：浙江省機電集團有限公司
浙江大學
主編：陳曉
副主編：唐任仲、羅向陽(執行主編)
總經理：羅向陽
出版：浙江《機電工程》雜志社有限公司
地址：杭州市上城區延安路95號浙江省機電集團大樓二樓211、212室
電話Tel：+86-571-87041360、87239525
E-mail：meem_contribute@163.com
國外發行：中國國際圖書貿易總公司
訂閱：全國各地郵局 國外代號：M3135
國內發行：浙江省報刊發行局
郵發代號：32-68
廣告發布登記證：杭上市管廣發G-001號

在線雜志	當前位置：機電工程 >>在線雜志

基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滾動軸承故障診斷方法

作者：駱耀譜.王衍學.李　孟. 日期：2023-08-14/span> 瀏覽：1291 查看PDF文檔

基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滾動軸承故障診斷方法*

駱耀譜１.王衍學１.２..李　孟１

(１. 北京建筑大學機電與車輛工程學院.北京１０２６１６.２. 北京建筑大學

城市軌道交通服役性能保障北京市重點實驗室.北京１０００４４)

摘要:在實際的工業過程中.由于滾動軸承故障數據的小樣本或樣本分布不平衡問題很常見.導致許多算法難以準確地識別不同故障. 針對這一問題.提出了一種基于條件卷積生成對抗網絡(ＣＣＧＡＮ)和ＲｅｓＮｅｔ３４的深度神經網絡故障診斷方法. 首先.采集了滾動軸承振動信號數據.并將振動信號轉換為灰度圖像.并增強了其數據特征.然后.采用ＣＣＧＡＮ網絡學習了原始小樣本數據的特征.擴展了小樣本不平衡數據集.最后.在滾動軸承振動信號的數據擴充和特征增強的基礎上.采用ＲｅｓＮｅｔ３４深度網絡進行了一維振動信號的小樣本不平衡故障診斷和分類. 研究結果表明:隨著小樣本不平衡數據集逐步擴展到多維平衡數據集.該方法在不同數據集中故障診斷的準確性均得到了有效提高.在分類精度上達到了９９. ５％.診斷證明了其特征提取能力優于典型的機器學習和深度學習網絡.從而驗證了該方法在小樣本不平衡故障診斷中的優勢。
關鍵詞:小樣本故障診斷;數據擴充.深度學習;生成對抗網絡;殘差結構;條件卷積生成對抗網絡;改進的特征提取并增強方法
中圖分類號:ＴＨ１３３. ３３　　　　文獻標識碼:Ａ文章編號:１００１－４５５１(２０２３)０６－０８５２－０８

本文引用格式 :

駱耀譜.王衍學.李　孟.基于ＣＣＧＡＮ和ＲｅｓＮｅｔ３４的滾動軸承故障診斷方法[Ｊ].機電工程.２０２３.４０(６):８５２－８５９.
ＬＵＯＹａｏ-ｐｕ.ＷＡＮＧＹａｎ-ｘｕｅ.ＬＩＭｅｎｇ.ＲｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＣＣＧＡＮａｎｄＲｅｓＮｅｔ３４[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ.２０２３.４０(６):８５２－８５９.