基于ＬＳＧＡＮ-ＬＳＴＭ 的齒輪故障診斷

劉杰 鄭洋

摘 要：針對(duì)難以獲取足量樣本數(shù)據(jù)的齒輪故障診斷率低的問(wèn)題，提出一種基于最小二乘生成對(duì)抗網(wǎng)絡(luò)（ＬＳＧＡＮ）結(jié)合長(zhǎng)短期記憶網(wǎng)絡(luò)（ＬＳＴＭ）的方法．將齒輪的原始樣本輸入ＬＳＧＡＮ模型中，通過(guò)對(duì)生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)的交替訓(xùn)練，學(xué)習(xí)出不同狀態(tài)的樣本數(shù)據(jù)，從而實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，通過(guò)生成樣本結(jié)合原始樣本訓(xùn)練ＬＳＴＭ診斷模型，完成小樣本下的故障診斷．以康狄涅格大學(xué)的齒輪實(shí)驗(yàn)數(shù)據(jù)為例對(duì)所提方法進(jìn)行驗(yàn)證，結(jié)果表明，與傳統(tǒng)方法相比，診斷準(zhǔn)確率提高至９８３％．通過(guò)可視化方法顯示出診斷方法的優(yōu)越性，為小樣本條件下的故障診斷提供參考．

關(guān) 鍵 詞：最小二乘生成對(duì)抗網(wǎng)絡(luò)；長(zhǎng)短期記憶網(wǎng)絡(luò)；故障診斷；小樣本；數(shù)據(jù)增強(qiáng)；深度學(xué)習(xí)；齒輪；可視化

中圖分類(lèi)號(hào)：ＴＰ１８３ 文獻(xiàn)標(biāo)志碼：Ａ 文章編號(hào)：１０００－１６４６（２０２３）０４－０４３６－０６

齒輪作為旋轉(zhuǎn)機(jī)械傳動(dòng)系統(tǒng)中的主要組成部分［１］，其性能直接影響機(jī)械設(shè)備能否平穩(wěn)運(yùn)行以及設(shè)備周期壽命的長(zhǎng)短［２］．實(shí)現(xiàn)準(zhǔn)確的齒輪故障診斷對(duì)于增強(qiáng)設(shè)備使用的安全性以及可靠性均具有深遠(yuǎn)意義［３］．在實(shí)際的采集過(guò)程中，相應(yīng)的故障信息數(shù)據(jù)極少，采集到的故障信號(hào)往往存在大量的環(huán)境噪聲，使獲取故障數(shù)據(jù)變得更加困難，需要投入大量時(shí)間和人力成本［４］，無(wú)法進(jìn)行高效準(zhǔn)確的故障診斷．因此，故障數(shù)據(jù)缺少成為現(xiàn)階段齒輪故障診斷急需解決的問(wèn)題．Ｌｉ等［５］采用改進(jìn)的ＣＧＡＮ來(lái)解決數(shù)據(jù)不足和不平衡時(shí)的齒輪故障診斷問(wèn)題；Ｗａｎｇ等［６］利用Ｄｒｏｐｏｕｔ和ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ避免對(duì)抗網(wǎng)絡(luò)訓(xùn)練時(shí)過(guò)度擬合和梯度消失的情況；Ｓｈａｏ［７］將一維卷積神經(jīng)網(wǎng)絡(luò)與輔助分類(lèi)ＧＡＮ相結(jié)合，其中附加的標(biāo)簽信息有利于生成相應(yīng)的故障樣本；Ｇａｏ等［８］將ＷＧＡＮ的損失函數(shù)進(jìn)行改進(jìn)以補(bǔ)充少樣本數(shù)據(jù)，提高故障診斷的準(zhǔn)確性．