摘要
行星齿轮箱中行星轮轴承运动复杂,振动信号成分多样且呈非线性,时变工况下特征频率随时间变化,人工识别故障特征更为困难.针对该问题,提出基于对抗变分自编码的智能故障诊断模型.获取样本时频图来揭示样本中包含的时变特征;利用模型中的变分自编码器自适应提取时频图特征,为赋予特征显式意义,引入多维独立高斯分布并进行采样,根据类别信息对样本点进行变换,使其服从新的多维独立高斯分布,确保样本点中的每个元素都有自己的专属分布;通过对抗机制,使特征逼近变换后的对应类别的分布样本,且服从新的多维独立高斯分布,从而实现用已知的分布拟合未知的特征分布,同时通过控制分布强化不同类别特征间的差异性,改善特征的模式识别性能;利用优化后的特征对分类器进行训练并识别测试样本特征.模型经行星齿轮箱实验台数据进行了验证.研究表明,该模型能够使提取的特征服从给定的先验分布,通过控制分布强化了不同类别特征间的差异性,提高了特征的聚合性能,有效诊断了行星轮轴承故障,与自编码和变分自编码器相比,表现出一定的优越性.
NETL
NSTL
维普
万方数据