基于改进生成对抗网络的旋转机械小样本故障诊断方法研究.pdfVIP

摘要

旋转机械是机械设备的重要组成部分，在机械、汽车、航空航天和现代工业生

产等领域中扮演者十分重要的角色。随着旋转机械在工业生产中的广泛应用，其故

障诊断与预测问题日益受到关注。然而，传统的故障诊断方法通常依赖大量标注数

据，但在实际生产中，旋转机械故障数据的获取成本高且样本数量有限，尤其是对

于一些稀有或突发故障类型，小样本问题尤为突出。因此，如何设计出可靠的故障

诊断模型，成为了当前故障诊断领域的重要研究方向。

针对旋转机械小样本故障诊断问题，数据增强方法受到广泛关注。数据增强技

术通过补充已有数据集用来扩增训练集，可以有效解决小样本难题。生成对抗网络

(GenerativeAdversarialNetwork,GAN)是一种有效的数据增强策略，作为近年来逐

渐发展起来的一种深度学习模型，其网络原理是通过生成器与判别器的博弈训练

网络模型。其特殊的网络结构，受到广泛关注。然而，传统GAN在训练过程中常

常出现不稳定性，导致生成样本质量较差，且难以有效应对复杂连接（如弹性连接）

情况下的故障诊断问题。

针对上述问题，本论文以旋转机械零部件（滚动轴承和齿轮）为研究对象，基

于改进GAN数据增强方法开展研究，本文主要内容如下：

（1）针对传统GAN网络在训练时易出现模式崩溃与梯度爆炸等问题，提出

了基于连续小波变换(ContinuousWaveletTransform,CWT)和改进瓦瑟斯坦

(Wasserstein)梯度惩罚生成对抗网络(ImprovedWassersteinGANWithGradient

Penalty，IWGAN-GP)的小样本故障诊断方法。使用连续小波变换将一维振动信号

转换为二维图像，获取更多信号特征；接着使用二维卷积层构建GAN模型的生成

器与判别器充分提取二维故障信号特征；最后基于Wasserstein距离重新设计模型

损失函数，稳定训练过程。最终通过提出模型生成样本扩增训练数据集，用于小样

本故障诊断。

（2）针对传统GAN难以有效应对弹性连接环境下振动信号生成与故障诊断

问题，本文提出了一种基于雅可比正则化生成对抗网络（JacobianRegularization

GAN,JRGAN）的旋转机械振动信号生成与故障诊断方法。该方法的核心是结合辅

助分类器生成对抗网络（AuxiliaryClassifierGAN,ACGAN）的数据增强能力与雅

可比正则化（JacobianRegularization）策略，以提升生成样本的质量和多样性，从

而优化深度学习模型在弹性连接环境下的故障诊断效果。模型以随机噪声和故障

类别标签作为输入，生成器在雅可比正则化的约束下生成更具判别性的故障样本，

降低生成数据与真实数据之间的统计差异。鉴别器中引入正则化项，以增强网络对

I

训练过程中的不稳定性和模式崩溃问题的鲁棒性，确保生成数据的质量和多样性。

辅助分类器进一步强化了生成样本的类别一致性。最后，通过模拟弹性连接条件下

的齿轮与轴承多故障数据集，验证了所提方法在弹性连接环境中的有效性和可靠

性。

（3）本研究搭建了一套旋转机械试验台，并开展齿轮点蚀、轴承故障及弹性

连接环境下轴承-齿轮的故障诊断实验。试验台由电机、轴承、齿轮、联轴器及传

感器等组成，配备完整的数据采集系统，以确保高质量的振动信号采集。首先，针

对齿轮点蚀故障和轴承故障，设定不同工况采集振动数据，并分析其故障特征。随

后，引入弹簧联轴器模拟弹性连接环境，通过调整实验参数，采集不同工况下的振

动信号，进一步探讨弹性连接对故障特征的影响。实验结果分析了刚性连接与弹性

连接环境下的振动信号特征差异，为后续基于深度学习的故障诊断研究提供数据

支撑。

关键词：旋转机械，小样本故障诊断，生成对抗网络，数据增强，雅可比正则

化

II

ABSTRACT

Rotatingmachineryisanimportantpartofmechanicalequipmentandplaysavery

importantroleinthefieldsofmachi