基于LSGAN-LSTM的齿轮故障诊断.pdf
《基于LSGAN-LSTM的齿轮故障诊断.pdf》由会员分享,可在线阅读,更多相关《基于LSGAN-LSTM的齿轮故障诊断.pdf(6页珍藏版)》请在咨信网上搜索。
1、针对难以获取足量样本数据的齿轮故障诊断率低的问题,提出一种基于最小二乘生成对抗网络()结合长短期记忆网络()的方法 将齿轮的原始样本输入 模型中,通过对生成网络和判别网络的交替训练,学习出不同状态的样本数据,从而实现数据增强,通过生成样本结合原始样本训练 诊断模型,完成小样本下的故障诊断 以康狄涅格大学的齿轮实验数据为例对所提方法进行验证,结果表明,与传统方法相比,诊断准确率提高至 通过可视化方法显示出诊断方法的优越性,为小样本条件下的故障诊断提供参考关键词:最小二乘生成对抗网络;长短期记忆网络;故障诊断;小样本;数据增强;深度学习;齿轮;可视化中图分类号:文献标志码:文章编号:(),(,):
2、,()(),:;齿轮作为旋转机械传动系统中的主要组成部分 ,其性能直接影响机械设备能否平稳运行以及设备周期寿命的长短 实现准确的齿轮故障诊断对于增强设备使用的安全性以及可靠性均具有深远意义 在实际的采集过程中,相应的故障信息数据极少,采集到的故障信号往往存在大量的环境噪声,使获取故障数据变得更加困难,需要投入大量时间和人力成本 ,无法进行高效准确的故障诊断 因此,故障数据缺少成为现阶段齿轮故障诊断急需解决的问题 等 采用改进的 来解决数据不足和不平衡时的齿轮故障诊断问题;等 利用 和 避免对抗网络训练时过度拟合和梯度消失的情况;将一维卷积神经网络与辅助分类 相结合,其中附加的标签信息有利于生成
3、相应的故障样本;等 将 的损失函数进行改进以补充少样本数据,提高故障诊断的准确性上述方法虽然在维度较高或数据量缺失较大的状态下起到一定程度的改善作用,但因网络中存在损失函数,使其在训练过程中仍有梯度消失等现象 虽然可以通过添加网络或修改结构对 等方法进行一些改进,但仍会在一定程度上影响网络训练效果 针对上述问题,本文采用最小二乘生成对抗网络,结合 应用于故障数据缺少情况下的齿轮故障诊断中 将故障样本数据作为输入,添加到改进的 模型,将交叉熵损失函数改为最小二乘损失函数,生成状态对应的故障样本 与真实故障样本混合一同输入到故障诊断模型中,通过迭代训练得到最优的模型结构,通过不同状态样本进行准确率
4、以及有效性的验证,并与其他方法进行比较,保证使用方法的先进性 模型及理论 理论 年,由 等 提出生成对抗网络(),由生成器()和判别器()构成,生成器和判别器由具有不同参数的神经网络构成 是一种无监督的学习模式 训练过程中,生成器尽可能生成与真实数据极为相似的假数据以蒙骗判别器的识别,判别器则不断提高区分假数据与真数据的能力,在生成器与判别器不断对抗的过程中,二者逐渐达到纳什平衡状态 假设数据样本 满足实际分布,随机噪声 作为生成器的随机输入且分布为 生成器(;()和判别器(;()构成 网络,其中,()代表网络的权值 训练时,通过随机噪声可以获得由生成网络生成与 具有同一维度的假样本();真实
5、样本和假样本共同作为判别器的输入 生成器使()的分布更趋向于真实样本的分布;而判别器则尽可能地判别()和 两者不断博弈对抗,当达到纳什平衡时停止 的目标函数为 (,)()()()式中:()为数学期望;()为生成的样本数据;()为判别器的输出结果原始 在训练过程中,可能会产生具有较大分布差异的生成样本与真实样本,进而造成模式崩溃或者产生梯度消散的现象 为解决该现象,等 提出 模型,对损失函数进行改进,由此解决样本生成质量较低的问题,提高训练过程的稳定性 模型的目标函数为 ()()()()()()()()()式中:、分别为生成样本和真实样本的标签;为判别器 对生成样本甄别为真的期望值 是由判别器通
6、过平滑非饱和的梯度损失函数,将生成的样本逐渐训练为接近真实样本的数据分布 因此,将设定的 生成样本尽可能地接近真实数据分布 由此,设定 ,为了防止生成器中过拟合,加入 层在生成器中添加 层以及在判别器中使用最小二乘损失函数都会对生成数据质量起到保障作用,由此使模型的诊断结果具有较高准确率 网络的结构图如图 所示图 网络框架 第 期刘杰,等:基于 的齿轮故障诊断 理论长短期记忆网络()是具有记忆功能的神经网络,是一种特殊的循环神经网络 在处理时序型数据时展现出十分亮眼的能力 通过输入门、输出门和遗忘门进行信息的处理,可以有效解决长序列数据训练时出现的梯度消失和梯度爆炸现象 本文设定神经元个数为
7、;使用 函数来转换输入与状态;交叉熵损失函数选为代价函数;梯度下降采用 优化器;学习率设置为 采用 的故障诊断流程图如图 所示,其包含以下步骤:)根据模型网络参数,将故障样本各状态转化为网络所需的矩阵信号,并设置不同比例的训练集与测试集;)将不同状态的样本输入模型中进行训练,生成对应的故障数据,实现训练集扩充;)训练 网络模型,将生成数据和真实数据输入网络模型,对网络模型进行训练达到最优状态;)将故障状态不同的样本数据集作为输入,进行故障诊断且获得准确率图 故障诊断流程图 齿轮故障诊断实例分析 实验样本构建实验训练样本使用康涅狄格大学公开的齿轮数据集 ,通过 系统采用 频率输入轴上齿轮不同模式
- 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 LSGAN LSTM 齿轮 故障诊断
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,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。