10.13465/j.cnki.jvs.2023.02.011
非均衡小样本条件下基于SAE-ACGANs的复杂供输机构故障诊断方法
非均衡和小样本问题是制约深度学习技术在复杂供输机构故障诊断领域中应用效果的关键因素.为克服传统深度学习方法难以获取小样本数据内在分布和传统非均衡数据处理方法未考虑类别信息均衡化的缺陷,提出一种基于稀疏自编码辅助分类生成式对抗网络(sparse autoencoder auxiliary classifier generative adversarial networks,SAE-ACGANs)的复杂供输机构故障诊断方法.首先,对供输机构振动信号进行连续小波变换(continuous wavelet transform,CWT),得到反映信号时频特征的二维时频图;然后,运用稀疏编码器提取图像特征,并与类别信息融合为隐变量,强化其表征与图像所属类别相关特征的能力;生成器将融合隐变量映射为与真实样本分布类似的生成样本,从而扩展训练数据集;判别器从扩展数据集中挖掘有效的深度特征,并实现样本真伪和类别的判断;最后,通过优化后的生成器和判别器对抗学习训练机制,相互交替优化以达到纳什平衡,提高方法在非均衡小样本条件下样本生成质量和故障判定能力.复杂供输机构台架试验研究结果表明:SAE-ACGANs框架可以充分学习输入样本的内在分布和深度特征,相较于原ACGANs框架提升了判别器的性能,实现了模型收敛速度、训练精度和稳定性的提升;相较于传统非均衡数据处理算法,模型有效改善多数类分类偏好的影响,对于少数类故障样本的识别能力大幅提升.
故障诊断、生成式对抗网络(GANs)、非均衡数据、小样本、复杂供输机构
42
TH17
国家自然科学基金;湖北省自然科学基金
2023-02-10(万方平台首次上网日期,不代表论文的发表时间)
共11页
89-99