基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法
信号处理
2024-03-26 v1 机器学习
摘要
为了解决当前卷积神经网络无法有效捕获滚动轴承时域信号之间的相关特征，且模型精度受样本数量和质量限制的问题，提出了一种基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法。首先，采用格拉姆角场编码技术对滚动轴承时域信号进行编码，生成特征图以保留振动信号的完整信息。然后，将所得数据划分为训练集、验证集和测试集。其中，训练集输入梯度惩罚Wasserstein距离生成对抗网络完成训练，获得与训练样本特征相似的新样本，进而扩充原始训练集。接着，利用多尺度卷积提取扩充训练集的故障特征，并通过实例归一化特征图以克服特征分布差异的影响。最后，将注意力机制应用于归一化特征的自适应加权和深层特征提取，并通过softmax分类器完成故障诊断。与ResNet方法相比，实验结果表明，所提方法具有更好的泛化性能和抗噪性能。
引用
@article{arxiv.2403.15483,
title = {Rolling bearing fault diagnosis method based on generative adversarial enhanced multi-scale convolutional neural network model},
author = {Maoxuan Zhou and Wei Kang and Kun He},
journal= {arXiv preprint arXiv:2403.15483},
year = {2024}
}