使用增强辅助分类器生成对抗网络的样本增大 通过变压器进行铁路货运列车轮架轴承故障诊断

科学领域:

• 机械工程 机械工程
• 人工智能的人工智能
• 铁路工程 铁路工程是指铁路工程.

背景情况:

• 准确诊断车轮轴承故障对于高速列车的安全至关重要.
• 有限的故障样本数据阻碍了深度学习模型训练和诊断准确性.
• 现有的辅助分类器生成对抗网络 (ACGAN) 模型面临复杂性和计算费用等挑战.

研究的目的:

• 解决当前ACGAN模型在为轮轴承诊断生成多样化和准确的故障样本方面的局限性.
• 为改进故障诊断提出一种新的变压器和辅助分类器生成对抗网络 (TACGAN).

主要方法:

• 实施了变压器网络来取代传统的卷积神经网络 (CNN),减少计算负载.
• 集成了一个独立的分类器来解决ACGAN中的合问题.
• 在损失函数中利用瓦瑟斯坦距离来减轻模式崩和消失梯度.

主要成果:

• 拟议的TACGAN显著增加了产生的断层样本的多样性,复杂性和.
• 与传统的ACGAN模型相比,TACGAN显示了较低的计算成本.
• 实验结果证实了TACGAN在火车车轮轴承数据集上的高准确性和有效性.

结论:

• 在数据有限的情况下,TACGAN提供了一种有效的解决方案,用于生成各种故障样本.
• 该模型提高了基于深度学习的轮轴承故障诊断的准确性和效率.
• 通过改进的诊断能力,TACGAN代表了确保火车安全的重大进步.