基于WGAN和CNN的轴承故障诊断研究.pdf
《基于WGAN和CNN的轴承故障诊断研究.pdf》由会员分享,可在线阅读,更多相关《基于WGAN和CNN的轴承故障诊断研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、第2 1 卷第2 期2023年6 月doi:10.13960/j.issn.1672-2558.2023.02.007南京工程学院学报(自然科学版)Journal of Nanjing Institute of Technology(Natural Science Edition)Vol.21,No.2Jun.,2023投稿网址:http:/基于WGAN和 CNN的轴承故障诊断研究余媛,温秀兰,唐颖,赫忠乐,王智贤(南京工程学院自动化学院,江苏南京2 1 1 1 6 7)摘要:轴承作为机械系统的关键部件,可以解析出整个机械系统的故障信息和健康状态,提出一种基于改进生成对抗网络和卷积神经网络的轴
2、承故障诊断方法.首先通过小波变换将一维轴承振动数据转换为二维时频图像数据;然后经设计的改进生成对抗网络训练轴承的二维图像数据,将达到纳什平衡后生成的数据补充到原始数据中增加轴承样本数据;最后将扩充完成的数据集输入卷积神经网络进行训练.测试结果显示轴承故障诊断平均准确率达9 4%,验证了故障数据不充足时该方法用于轴承故障诊断的可行性,关键词:轴承故障诊断;卷积神经网络;数据扩充;改进生成对抗网络中图分类号:TP206Bearing Fault Diagnosis Based on WGAN and CNNSHE Yuan,WEN Xiulan,TANG Ying,HE Zhongle,WANG
3、Zhixian(School of Automation,Nanjing Institute of Technology,Nanjing 211167,China)Abstract:As the key component of mechanical system,rolling bearings can be used to analyze the fault information andhealth status of the whole mechanical system.It is of practical significance to study bearing fault di
4、agnosis in industrialprocess.In this paper,a method of bearing fault diagnosis based on the improved generative adversarial network,Wasserstein GAN(WGAN)and convolution neural network(CNN)is proposed.Firstly,one-dimensional bearingvibration data is converted into two-dimensional time-frequency image
5、 data through wavelet transform.Then,the 2D imagedata of bearings trained by the designed WGAN network are supplemented with the data generated after reaching Nashequilibrium to add bearing sample data to the original data.Finally,the expanded data set is input into the CNN networkfor training.And t
6、he test results show that the average accuracy of bearing fault diagnosis is 94%,which confirms thefeasibility of the proposed method for bearing diagnosis when the fault data is insufficient.Key words:bearing diagnosis;convolutional neural network;data expansion;WGAN轴承作为工业设备中关键的机械构件,其运行状态是否正常直接影响机器
7、的性能.在工程中采集的轴承故障信息数量较少且种类不均衡,为解决该问题,文献1 采用自润滑关节轴承摆动中磨损量的矩阵变化规律扩充原有的小样本,但增量矩阵的收稿日期:2 0 2 3-0 3-0 9;修回日期:2 0 2 3-0 3-2 5基金项目:江苏省研究生科研与实践创新计划项目(SJCX22_1071);江苏省产学研合作项目(BY2022076)作者简介:余媛,硕士研究生,研究方向为工业机器人故障检测及诊断.E-mail:引文格式:余媛,温秀兰,唐颖,等.基于WGAN和CNN的轴承故障诊断研究J.南京工程学院学报(自然科学版),2 0 2 3,2 1(2):3 4-3 8.原始磨损量数值是以万
8、次计算;文献2 提出合成少数过采样技术(SMOTE),在样本中间随机插值以达到故障数据扩充的目的,但扩充的数据会改变原始数据分布;文献3 提出采用变分自编码器(VA E)与神经网络相结合的样本数据扩充方法,第2 1 卷第2 期但存在收敛速度慢的问题.为能够对轴承故障进行准确诊断,文献4 通过采集滚动轴承的电流和振动等信号并提取其特征设计基于贝叶斯网络与自动编码器相融合的轴承故障诊断方法;文献5 提出一种结合奇异值分解的复合平方包络谱(SES)轴承故障诊断方法,实现对故障的分类上述方法在特定条件下能够较好地对轴承故障进行诊断,但在故障样本不充足时会出现诊断准确率下降、算法在训练过程中过拟合、计算
9、量过大等问题.为在故障样本不充足情况下能够对轴承故障进行准确诊断,本文提出基于改进生成对抗网络(WG A N)扩充样本、采用卷积神经网络(CNN)实现轴承故障诊断方法,并用美国凯斯西储大学轴承公开数据集(CWRU)进行算法验证1算法理论基础1.1小波变换(CWT)CWT是时间(空间)和频率的局部变换,通过CWT可将信号分解为多个尺度和频率的小波函数和小波系数,提取信号的时频特征6 .CWT通过伸缩平移运算对信号(函数)逐步进行多尺度细化,达到高频处时间细分、低频处频率细分、自动适应时频信号分析的目的.CWT数学模型为:WT(a,)-,()()d式中:为尺度;T为平移量;t为时间.1.2改进生成
10、对抗网络生成对抗网络(GAN)是一种基于统计学和博奔论的无监督深度学习模型,通过生成器和判别器不断博奔,达到一个动态纳什均衡7 ,GAN数学模型为:min maxV(D,G)=Exp(a)logD(x)+GDEp(c)log(1-D(G(2)式中:E为熵或期望;x为真实样本;p(x)为x的分布;z为噪声;p(z)为噪声分布;D()为判别器对真实样本的打分;D(G(z))为判别器对生成样本G(2)的打分.余媛,等:基于WGAN和CNN的轴承故障诊断研究数学表达式为:W(p,g)=,if.,r.y/x-lIyI(p,g)式中:II(p,)为分布p和组合的所有可能的联合分布的集合;为联合分布.1.3
11、卷积神经网络卷积神经网络是一种端到端、由滤波网络和分类网络共同组成的深度学习算法.滤波网络由多个卷积层、激活函数层和池化层组成,其作用是提取输人数据的特征9 分类网络由全连接层组成.卷积层对输人的信号进行卷积计算,其数学表达式为0 1.y(s)=Kx)=MKxo)式中:K(C)为第1 卷积层的第i个卷积核的第 个权值;X()为第1 卷积层中第j个进行卷积的区域;W为卷积核的宽度.激活函数层对每一个卷积层输出的特征值进行非线性变换;池化层(即下采样层)作用是降低数据的特征维度、减少参数和防止过拟合1;全连接层(1)的作用是将池化层输出的多维特征铺展为一维特征作为输入进行分类操作.本文研究如何利用
12、CNN强大的特征提取能力进行轴承故障类型的分类2车轴承故障诊断方法2.1诊断模型构建搭建基于WGAN和CNN的轴承故障诊断模型如图1 所示,其详细结构参数如表1、表2 所示.由图(2)1可见,WGAN网络中判别器由3 个卷积层和1 个全连接层组成,激活函数全为LeakyReLU,生成器网络结构为1 个全连接层和3 个卷积层,其中前3 层的激活函数为 LeakyReLU,最后一层的激活函数为Tanh;CNN轴承故障诊断网络由5 个卷积层、4 个最35考虑到经典GAN的损失函数容易受到超参数选择和随机初始化的影响,而WGAN可以生成高质量的数据,在本研究中采用WGAN扩充轴承样本数据.采用WGAN
13、计算数据p到分布q的Wasserstein距离以使网络训练过程更加稳定,Wasserstein距离(3)W-1(4)36大池化层、1 个全局平均池化层和1 个Softmax层组成,优化器为Adams,损失函数为交叉嫡函数,Softmax层含有1 0 个输出,对应轴承1 0 种状态.二维时频图生成器随机噪声全连卷积层卷积层2卷兴层3出接层1卷积层地化层一图1 基于WGAN和CNN的轴承故障诊断模型表1WGAN网络模型卷积核模型层名Convl(LeakyReLU)Conv2(LeakyReLU)判别器Conv3(LeakyReLU)FlattenFlattenConvl(LeakyReLU)生成器
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 WGAN CNN 轴承 故障诊断 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。