首页|基于DCGAN与DRSN的滚动轴承细粒度故障诊断

基于DCGAN与DRSN的滚动轴承细粒度故障诊断

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对目前滚动轴承故障诊断难以获取大量典型的轴承故障数据以及检测故障种类为粗粒度的现状,提出一种基于深度生成对抗网络(Deep Convolutional Generative Adversarial Networks,DCGAN)和深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)的滚动轴承细粒度故障诊断方法.通过DCGAN对滚动轴承故障样本进行数据增强,结合原始故障样本用于进一步故障特征提取,DRSN模型中注意力机制从大量故障特征信息中聚焦于更为关键的信息,软阈值化旨在为处于不同健康状态的轴承样本设置不同的阈值.在凯斯西储大学轴承故障数据集CWRU上验证DCGAN-DRSN模型的有效性并与其他经典模型对比,结果表明,该方法能够解决数据不平衡造成的模型泛化性能差、故障诊断精度低的问题,实现对轴承故障细粒度分类的目的,为后续的设备维护提供依据,具有较好的实际工程意义和推广性.
Fine-grained fault diagnosis of rolling bearings based on DCGAN and DRSN

阮慧、黄细霞、王乐、王清

展开 >

上海海事大学 航运技术与控制工程交通行业重点实验室,上海 201306

细粒度故障诊断 滚动轴承 生成对抗网络 深度残差收缩网络 深度学习

国家自然科学基金

52001197

2024

制造业自动化
北京机械工业自动化研究所

制造业自动化

CSTPCD
影响因子：0.482
ISSN：1009-0134
年,卷(期)：2024.46(4)
  • 23