噪声与振动控制

噪声与振动控制 ›› 2024, Vol. 44 ›› Issue (1): 111-118.

• 信号处理与故障诊断 • 上一篇    下一篇

基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

古莹奎，石昌武，陈家芳   

  1. （ 江西理工大学机电工程学院，江西赣州341000 ）
  • 收稿日期:2022-08-15 修回日期:2022-10-01 出版日期:2024-02-18 发布日期:2024-02-10

Fault Diagnosis of Planetary Gear Box Based on Gramian Angular Fieldsand Deep Convolutional Generative Adversarial Network

  • Received:2022-08-15 Revised:2022-10-01 Online:2024-02-18 Published:2024-02-10

PDF

摘要： 针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题，采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强，融合AlexNet 卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图，按比例划分训练集与测试集，将训练集样本与随机向量输入到深度卷积生成对抗网络模型中，交替训练生成器与判别器，达到纳什平衡，生成与原始样本类似的生成样本，从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型，完成行星齿轮箱的故障识别。实验结果表明，所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度，使之达到99.15 %，且能使收敛速度更快。

关键词: 故障诊断, 格拉姆角场, 深度卷积生成对抗网络, 卷积神经网络, 行星齿轮箱