负载不平衡下小样本数据的轴承故障诊断

摘要：

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法.对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果.对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类.

关键词：轴承故障诊断、负载不平衡、小样本、短时傅里叶变换、梯度惩罚Wasserstein距离生成对抗网络、自注意力卷积神经网络

所属期刊栏目：32

分类号：TH122

资助基金：国家重点研发计划;贵州省科技计划

在线出版日期：2021-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1164-1171,1180