基于样本扩充的二维卷积网络轴承故障诊断

摘要

滚动轴承在电机和齿轮之间起着重要的连接作用。为了滚动轴承故障诊断的有效性和在故障条件下样本数少的复杂运行环境下得到更高的故障诊断精度,提出了采用深度卷积生成对抗网络(deep convolutional generative adversarial,DCGAN)来解决故障数据生成问题,二维卷积神经网络(convolutional neural network,CNN)用于故障分类的诊断方法。首先,提出了基于现有数据的DCGAN生成更多故障数据。将一维数据转换成二维灰度图,再利用卷积生成对抗网络对二维图片进行样本扩充,该DCGAN网络有性能良好的生成能力。然后结合通过卷积神经网络提取图像的空间特征,将图片输入到卷积神经网络用于故障分类。文中将该二维卷积模型与传统卷积神经网络模型进行了对比。结果表明,相较于传统卷积神经网络,该方法在故障的辨识准确性和判别的即时性上都有一定水平程度的提高。