原文传递
基于对抗网络的滚动轴承故障跨域诊断研究
| 论文题名： | 基于对抗网络的滚动轴承故障跨域诊断研究 |
| 关键词： | 滚动轴承;智能故障诊断;卷积神经网络;跨域诊断 |
| 摘要： | 在车辆传动系统中，滚动轴承是常见的旋转部件，其故障诊断也一直是一个重要的工程课题。近年来机械设备高速化、复杂化发展，随之而来的是数据量的大规模增加，传统故障诊断方法无法处理如此庞大的数据量，因此基于数据驱动的故障诊断方法应运而生，而其中基于深度学习的智能故障诊断是一大研究热点。本文以滚动轴承为研究对象，针对智能故障诊断中的数据结构优化、样本不平衡和跨域诊断三个方面的问题，分别提出相应的算法和模型进行解决，具体工作如下： (1)在试验数据输入故障诊断模型前，针对噪声污染下采集的振动信号，提出了基于小波阈值降噪和高次相关相结合的数据优化方法。小波阈值降噪具有数据噪声消除能力，高次相关具有数据特征增强效果，两种方法的结合能够更加有效优化数据结构。通过公开轴承数据集数据对所提方法进行验证，结果表明，处理后的信号噪声成分被有效抑制，时域信号中冲击特征更加明显，频域信号中特征频率也更加突出。 (2)针对滚动轴承故障诊断中的样本不平衡问题，提出了基于生成对抗网络和深度卷积神经网络相结合的智能故障诊断模型。通过生成对抗网络迭代训练生成故障信号，扩充不平衡样本的数据，再将处理过后样本数量均衡的数据集输入深度卷积模型中进行故障特征提取和故障模式分类。利用在课题组试验台所采集的滚动轴承振动数据对模型进行了验证，结果表明该模型具有较高的诊断性能。 (3)针对滚动轴承故障诊断中的跨工况诊断问题，提出了一种基于改进生成对抗网络和注意力机制的综合模型来进行跨域训练。受到生成式对抗网络的启发，将生成器替换为目标域特征提取器，通过目标域特征提取器和判别器的对抗训练，使得目标域特征与源域特征之间分布差异最小化，并且在特征提取器中加入注意力机制层，提高重要特征的权重，优化数据结构。通过对公开数据集和课题组试验数据集分别进行不同跨域任务的训练验证所提模型的有效性。 |
| 作者： | 邓婕 |
| 专业： | 动力工程 |
| 导师： | 李舜酩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
