-
题名基于生成对抗网络与轻量化网络的轴承故障分类方法
- 1
-
-
作者
罗志强
韩晓丽
崔杰
化一行
理华
-
机构
中国矿业大学(北京)机械与电气工程学院
中国科学院声学研究所超声学实验室
-
出处
《网络新媒体技术》
2025年第4期21-29,共9页
-
文摘
滚动轴承在实际运行时,出现故障时间段通常较短,所以采集到的轴承故障振动数据较少,导致轴承正常振动信号的数量远多于故障振动信号,造成数据集的严重不平衡,这显著降低深度学习网络模型的泛化性能和识别准确性。针对该问题,本文提出一种自动生成故障轴承数据的方法,并结合SEMobileNetV2轻量化卷积神经网络,改善由于数据的不平衡性导致的网络性能损失,提高故障轴承诊断的识别率,采用梯度惩罚生成对抗网络,使用改进的SEMobileNetV2轻量化卷积神经网络进行故障分类。多种实验表明,本文采用的WGAN-GP生成对抗网络能够生成与真实数据高度相似的样本。将平衡与不平衡数据集样本分别输入至改进前后的MobileNetV2网络中进行训练。改进网络前,在CRWU和XJTU平衡数据集上得到的平均测试准确率分别为97.84%和98.04%,均高于不平衡数据集上的89.6%与76.70%;改进网络后,在CRWU和XJTU平衡数据集上得到的平均测试准确率分别为98.72%和99.80%,均高于不平衡数据集上的91.60%与87.40%。通过4组实验对比,说明本文所提方法能够有效扩充真实样本集,并提高轴承故障诊断的识别准确率。
-
关键词
故障诊断
数据生成
小波时频转换
semobilenetv2轻量化网络
-
Keywords
fault diagnosis
data generating
wavelet time-frequency conversion
semobilenetv2 lightweight network
-
分类号
TH133.33
[机械工程—机械制造及自动化]
-
