基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题，提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断，以确保运载工具的安全运行；引入独立的分类器构建新型ACGAN框架，改善了经典ACGAN的分类精度与判别精度之间的兼容性；使用Wasserstein距离定义具有平滑特性的新型对抗损失函数，以此克服GAN易出现模式崩塌和梯度消失的缺点；引入谱归一化方法替代权重裁剪，限制判别器的权重参数，提高对抗训练过程的稳定性；为验证改进ACGAN的有效性和优越性，对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果，其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定，其损失函数具有更优的收敛性，同时在多模式故障诊断情景下具有更高的效率，其训练时间缩减为对比方法的20%;针对故障样本缺失的情况，改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练，可将...