基于边界辅助判别的滚动轴承故障特征增强及诊断方法

作者：李佰霖,鲁大臣,付文龙,等. 日期：2024-04-24/span> 浏览：77 查看PDF文档

摘要:滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BDACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明:该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。

关键词:轴承故障诊断;数据不平衡;边界辅助判别的辅助分类生成对抗网络;故障特征增强;自适应权重损失;数据集增广

中图分类号:TH133.3文献标识码:A文章编号:1001-4551(2024)04-0643-08

本文引用格式:

李佰霖,鲁大臣,付文龙,等.基于边界辅助判别的滚动轴承故障特征增强及诊断方法［J］.机电工程,2024,41(4):643-650.

LI Bailin, LU Dachen, FU Wenlong, et al. Fault feature enhancement and diagnosis method of rolling bearing based on boundary-assisted discrimination［J］.Journal of Mechanical & Electrical Engineering, 2024,41(4):643-650.