基于數(shù)據(jù)驅(qū)動的設(shè)備故障智能診斷方法是監(jiān)測設(shè)備健康狀況的重要手段,然而實際應(yīng)用中,難以獲取到足量有效的故障數(shù)據(jù)訓(xùn)練智能診斷模型。鑒于設(shè)備健康狀態(tài)數(shù)據(jù)充足和現(xiàn)有智能診斷方法故障機(jī)理利用不足,提出基于生成對抗網(wǎng)絡(luò)（GAN）樣本生成技術(shù)的智能診斷方法。健康狀態(tài)數(shù)據(jù)反映了設(shè)備個性特征,故障機(jī)理反映了設(shè)備共性特征,基于兩種特征融合,得到故障數(shù)據(jù)樣本,通過對深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練為設(shè)備個體構(gòu)建個性化的智能診斷模型。采用來自CWRU軸承數(shù)據(jù)和實驗臺模擬故障數(shù)據(jù)進(jìn)行的實驗結(jié)果表明,該方法相比現(xiàn)有智能診斷方法無需真實故障樣本,在變負(fù)載條件下實現(xiàn)了很高的診斷準(zhǔn)確率,具有較好的變工況遷移能力。 

【文章來源】：振動與沖擊. 2020,39(18)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

c-DCGAN基本結(jié)構(gòu)和計算流程

MCGM原理圖

在GAN的訓(xùn)練中,生成器存在梯度消失的問題,這是由于判別器與生成器訓(xùn)練不平衡,導(dǎo)致判別器的判別性能很好而生成器無法生成逼真的數(shù)據(jù)。因此在訓(xùn)練過程中,每更新一次判別器,訓(xùn)練k次生成器,在本文一維振動數(shù)據(jù)的生成中,k取4～10較為合適。表1為圖3各網(wǎng)絡(luò)參數(shù),圖4為生成的時域和頻域數(shù)據(jù)與真實數(shù)據(jù)的對比。從圖4可知,Gchar有效學(xué)習(xí)到數(shù)據(jù)的分布規(guī)律。重構(gòu)的目的在于:學(xué)習(xí)設(shè)備監(jiān)測數(shù)據(jù)的分布特征,使得不僅有真實樣本,還有源源不斷的生成樣本,起到數(shù)據(jù)增強(qiáng)的作用;設(shè)備運行工況復(fù)雜多變,采用工況信息為條件以適應(yīng)不同的工況。表1 c-DCGAN網(wǎng)絡(luò)參數(shù)Tab.1 Parameters of c-DCGAN 網(wǎng)絡(luò)模塊 層名稱 大小 深度 激活函數(shù) 是否BN 生成器 輸入全連接#1Reshape反卷積#1反卷積#2反卷積#3 100+c32 7685122565122 048 —1256128641 —ReLUReLUReLUReLUtanh —否否否否否 卷積#1 5 64 ReLU 是 池化#1 2 — — — 卷積#2 5 128 ReLU 是 判別器 池化#2 2 — — — 卷積#3 3 256 ReLU 是 池化#3 2 — — — 全連接#2 n+1 — — —

【參考文獻(xiàn)】：
期刊論文
[1]基于相關(guān)峭度共振解調(diào)的滾動軸承復(fù)合故障特征分離方法[J]. 胡愛軍,趙軍,孫尚飛,黃申申.  振動與沖擊. 2019(08)
[2]獨立自適應(yīng)學(xué)習(xí)率優(yōu)化深度信念網(wǎng)絡(luò)在軸承故障診斷中的應(yīng)用研究[J]. 沈長青,湯盛浩,江星星,石娟娟,王俊,朱忠奎.  機(jī)械工程學(xué)報. 2019(07)
[3]基于信息融合及堆棧降噪自編碼的齒輪故障診斷[J]. 李松柏,康子劍,陶潔.  振動與沖擊. 2019(05)
[4]大數(shù)據(jù)下機(jī)械裝備故障的深度遷移診斷方法[J]. 雷亞國,楊彬,杜兆鈞,呂娜.  機(jī)械工程學(xué)報. 2019(07)
[5]小數(shù)據(jù)條件下基于測地流核函數(shù)的域自適應(yīng)故障診斷方法研究[J]. 劉海寧,宋方臻,竇仁杰,黃亦翔,劉成良.  振動與沖擊. 2018(18)
[6]生成式對抗網(wǎng)絡(luò):從生成數(shù)據(jù)到創(chuàng)造智能[J]. 王坤峰,左旺孟,譚營,秦濤,李力,王飛躍.  自動化學(xué)報. 2018(05)
[7]基于GAN技術(shù)的自能源混合建模與參數(shù)辨識方法[J]. 孫秋野,胡旌偉,楊凌霄,張化光.  自動化學(xué)報. 2018(05)
[8]內(nèi)嵌專業(yè)知識和經(jīng)驗的機(jī)器學(xué)習(xí)方法探索（一）:引導(dǎo)學(xué)習(xí)的提出與理論基礎(chǔ)[J]. 尚宇煒,馬釗,彭晨陽,武海濤.  中國電機(jī)工程學(xué)報. 2017(19)
[9]改進(jìn)LSSVM遷移學(xué)習(xí)方法的軸承故障診斷[J]. 陳超,沈飛,嚴(yán)如強(qiáng).  儀器儀表學(xué)報. 2017(01)
[10]機(jī)械故障診斷基礎(chǔ)研究“何去何從”[J]. 王國彪,何正嘉,陳雪峰,賴一楠.  機(jī)械工程學(xué)報. 2013(01)



本文編號：3526287