文献类型：期刊文章

作　　者：肖雄[1] 肖宇雄[1] 张勇军[1] 宋国明[2] 张飞[1]

XIAO Xiong;XIAO Yuxiong;ZHANG Yongjun;SONG Guoming;ZHANG Fei(Institute of Engineering Technology,University of Science and Technology Beijing,Haidian District,Beijing 100083,China;Electric and Resources,National Taipei University of Technology,Taibei 100,Taiwan Province,China)

机构地区：[1]北京科技大学工程技术研究院,北京市海淀区100083 [2]国立台北科技大学电资学院,中国台湾省台北市100

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金(青年科学基金项目)(51907006);北京科技大学与台北科技大学学术合作专题研究计划经费资助(06310059)。

年　　份：2021

卷　　号：41

期　　号：2

起止页码：738-748

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。

关 键 词：电机轴承 故障诊断 生成对抗网络  二维灰度图  数据增强  

分 类 号：TP277]