基于改进生成对抗网络的滚动轴承故障样本扩充及诊断方法

摘要

深度学习方法由于其较强的特征提取能力在故障诊断领域被广泛应用，然而实际生产过程经常面临深度学习所需故障数据不足的情况，有必要对现有故障数据进行扩充，以提高诊断模型的准确性。传统的数据扩充算法容易导致过拟合和模式崩溃等问题，为此提出了一种基于改进生成对抗网络的故障样本扩充方法，并以旋转机械滚动轴承振动故障诊断为例对方法进行验证。该方法采用连续小波变换将原始振动信号转换为时频图，作为生成对抗网络的输入；为克服生成图像失真以及特征提取不充分的问题，引入双线性插值法和自注意力机制，利用改进的生成对抗网络生成更多的故障样本；最后采用不同的诊断模型来对生成数据和真实数据进行诊断，并对多种样本生成方法进行比较。实验结果表明，提出的方法可以生成高质量的合成样本，提高故障诊断精度，在不平衡数据的故障诊断方面具有很大的潜力。

关键词

滚动轴承 / 故障诊断 / 生成对抗网络 / 深度学习 / 故障样本扩充