基于生成式对抗卷积自编码器的滚动轴承故障诊断

摘要

工业系统故障诊断方法在不断研究中.针对复杂工况下的工业数据缺乏足够的表示能力,且在数据样本不平衡时难以获得满意的诊断效果的问题,提出了生成式对抗网络(GAN)和卷积自编码器(CAE)相融合的GAN-CAE滚动轴承故障诊断方法.首先,采用格拉姆求和角场(GASF)算法构造振动信号的格拉姆矩阵图;然后,通过生成器网络G-NET和判别器网络D-NET学习格拉姆矩阵图的特征;最后,利用不同样本在CAE中重构水平的差异进行异常检测与分类.通过凯斯西储大学(CWRU)的轴承数据集对该方法进行验证,结果表明:针对不平衡数据集,正常样本得分在0.8和1之间,比未融入对抗训练的CAE,以及BP、SVM等浅层机器学习算法具有更好的精确度、收敛速度和鲁棒性.GAN-CAE在滚动轴承故障诊断中的试验,为深度学习在工业系统故障诊断领域中的应用提供了新思路.