基于改进ACGAN的齿轮箱多模式数据增强与故障诊断 |
| |
引用本文: | 邵海东,李伟,林健,闵志闪.基于改进ACGAN的齿轮箱多模式数据增强与故障诊断[J].交通运输工程学报,2023(3):188-197. |
| |
作者姓名: | 邵海东 李伟 林健 闵志闪 |
| |
作者单位: | 湖南大学机械与运载工程学院 |
| |
基金项目: | 国家重点研发计划(2020YFB1712100);;国家自然科学基金项目(51905160);;湖南省自然科学基金项目(2020JJ20017)~~; |
| |
摘 要: | 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...
|
关 键 词: | 车辆工程 齿轮箱 故障诊断 改进辅助分类生成对抗网络 数据增强 谱归一化 |
|
|