论文摘要
由于传统轴承故障诊断方法依赖于信号处理能力且模型泛化能力差的问题,提出一种不均衡数据集下基于深度对抗网络的故障诊断方法,该方法首先通过构建小样本训练集进行生成对抗网络训练,将生成样本加入到原始小类别样本训练集中,得到样本训练集,降低不同类别样本的不平衡性;然后引入深度学习的模型优化技术,提出适合轴承故障诊断的深度卷积神经网络模型,该模型直接作用于训练样本集,自适应地从原始数据中逐层学习故障特征,实现不同故障的准确识别;为了增强诊断系统最终分类预测的准确性,引入Focal损失函数对分类层进行故障识别。大量的定性定量实验表明,所提的改进网络在检测率与误检率方面均优于现有的其他深度模型,并且拥有较快的收敛速度与泛化能力。
论文目录
文章来源
类型: 期刊论文
作者: 包萍,刘运节
关键词: 深度学习,对抗网络,故障识别,振动信号,样本不均衡,损失函数
来源: 电子测量与仪器学报 2019年03期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 机械工业,自动化技术
单位: 宁夏师范学院数学与计算机科学学院
基金: 宁夏师范学院科学研究重点项目(NXSFZD1707),宁夏高等学校一流学科建设(教育学学科)(NXYLXK2017B11)资助项目
分类号: TH133.3;TP18
DOI: 10.13382/j.jemi.B1801557
页码: 176-183
总页数: 8
文件大小: 541K
下载量: 607