噪声与振动控制

噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (6): 130-136.

• 信号处理与故障诊断 • 上一篇    下一篇

DCGAN结合CNN诊断不均衡小样本的滚动轴承故障

施杰1，胡益嘉1，王森2，张溟晨1，张毅杰1   

  1. （ 1. 云南农业大学机电工程学院，昆明650201； 2. 昆明理工大学机电工程学院，昆明650500 ）
  • 收稿日期:2021-09-18 修回日期:2021-12-02 出版日期:2022-12-18 发布日期:2022-12-18

Rolling Bearing Fault Diagnosis of Unbalanced Small-sample Based on DCGAN and CNN

  • Received:2021-09-18 Revised:2021-12-02 Online:2022-12-18 Published:2022-12-18

PDF

摘要： 针对滚动轴承故障样本过少且故障类间样本不均衡所导致诊断效果不佳的问题，提出一种将深度卷积生成对抗网络（Deep Convolution Generative Adversarial Network，DCGAN）与以遗传算法（Genetic Algorithm，GA）优化卷积神经网络（Convolution Neural Network，CNN）相结合的智能诊断方法。首先，利用GA以最小信息熵作为目标函数解决变分模态分解（variational Mode Decomposition，VMD）中本征模态函数分解个数和二次惩罚因子难以确定的问题。再根据平均峭度指标对分解后的信号进行重构，并将其转换为二维时频信号。然后，将小批量时频信号样本作为训练集放入构建的DCGAN模型中，对抗生成辅助故障样本。其次，通过GA寻优CNN中学习率和批处理大小的最优组合，实现对CNN的优化（Convolution Neural Network Optimized by Genetic Algorithm，GA-CNN）。再将对抗后的样本放到优化后的GA-CNN模型中进行训练，构造出适应于小故障样本及故障类间样本不均衡条件下的机械故障智能诊断模型。最后，采用西储大学和XJTU-SY轴承振动数据对该诊断方法进行测试。测试结果表明，该方法的诊断正确率达到95.22 %，模型具有较好的泛化能力和鲁棒性。

关键词: 故障诊断, 不均衡小样本, 深度卷积生成对抗网络, 卷积神经网络, 变分模态分解