基于SAGAN和改进的ResNet的轴承故障诊断方法
Guoqiang Wang1,2, Nianfeng Shi1,2, Xianglan Yang3,4
1School of Computer and Information Engineering, Luoyang Institute of Technology, Luoyang, China.
Scientific reports
|September 29, 2025
概括
这项研究引入了一种使用自注意生成对抗网络 (SAGAN) 和改进深度残余网络 (IResNet) 的新型轴承故障诊断方法. 该方法增强了特征提取和数据增强,以便在具有挑战性的工业条件下进行可靠的故障检测.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 传统的滚动轴承故障诊断在复杂的工业环境中面临特征提取方面的挑战.
- 在实际操作条件下获取广泛的故障数据通常是困难和昂贵的.
研究的目的:
- 为了解决适应性特征提取的局限性和用于轴承故障诊断的数据稀缺性.
- 开发一种强大的方法,能够处理噪音和可变负载条件.
主要方法:
- 振动信号通过连续波形变换转化为2D时间频率图像.
- 用于数据增强的自我关注生成对抗网络 (SAGAN).
- 改进的深度剩余网络 (IResNet) 具有多头自动注意 (MHA) 适应性全球特征提取.
主要成果:
- 拟议的SAGAN_IResNet方法显示了强大的轴承故障诊断性能.
- 有限样本,高噪音水平和可变负载的场景的有效处理.
- 使用来自Case Western Reserve大学,东南大学和江南大学的数据集进行验证.
结论:
- SAGAN_IResNet方法在轴承故障诊断方面取得了重大进展.
- 整合SAGAN和MHA增强的IResNet可以提高诊断的准确性和稳定性.
- 该方法适用于具有挑战性环境因素的现实世界工业应用.