摘要
基于深度学习的智能故障诊断是轴承故障诊断领域的研究重点之一。在工业生产中，由于故障数据的缺乏，数据样本的标记需要耗费大量人力和时间成本，导致了数据小样本问题和半监督学习问题。针对以上两个问题，本文采用生成对抗网络作为模型基础，提出了可行的解决方案，并结合公开数据集以及实验室数据集进行了实验验证。 首先，面向故障数据，验证将生成对抗网络用于轴承故障诊断领域的方法可行性，提出了基于条件生成对抗网络的轴承故障诊断方法。将标签信息引入到生成器网络中，实现数据增强，网络的输入由一维振动信号转化为二维灰度图像，引入堆叠卷积自动编码器对生成样本和原始样本进行特征提取并进行故障诊断，在凯斯西储大学的轴承数据集以及燕山大学机械故障综合模拟试验台的轴承数据集上进行了验证，在不同数据集的测试样本上均有较高的准确率，验证了所提方法的可行性。 然后，针对小样本问题，提出了基于改进辅助分类生成对抗网络的小样本轴承故障诊断方法。将Wasserstein距离作为辅助分类生成对抗网络的损失函数，增强数据生成能力，提高生成样本的质量，扩充小样本数据集。将卷积网络与注意力机制结合，提高复杂数据的学习能力。在凯斯西储大学的轴承数据集以及变工况条件下的燕山大学轴承数据集上对本文所提方法进行验证和分析，并设置了消融实验、对比实验以及抗噪实验，验证了所提方法的可行性。 最后，针对半监督问题，提出了半监督模式下基于Triple-GAN网络的轴承故障诊断方法。该方法主要在结构上对生成对抗网络进行改进，不仅可以实现故障样本的数据增强，而且在有标签样本中引入故障分类的交叉熵损失实现对无标签样本的伪标签预测。判别器不再判别数据来源真假而是判别数据标签是否来自于真实样本中，网络的输入采用短时傅里叶变换后的时频图像。在凯斯西储大学轴承数据集上进行了实验验证，通过与传统的半监督方法进行对比，验证了所提方法的可行性。
NETL