基于ＬＳＧＡＮ-ＬＳＴＭ 的齒輪故障診斷

劉杰 鄭洋

摘 要：針對難以獲取足量樣本數據的齒輪故障診斷率低的問題，提出一種基于最小二乘生成對抗網絡（ＬＳＧＡＮ）結合長短期記憶網絡（ＬＳＴＭ）的方法．將齒輪的原始樣本輸入ＬＳＧＡＮ模型中，通過對生成網絡和判別網絡的交替訓練，學習出不同狀態的樣本數據，從而實現數據增強，通過生成樣本結合原始樣本訓練ＬＳＴＭ診斷模型，完成小樣本下的故障診斷．以康狄涅格大學的齒輪實驗數據為例對所提方法進行驗證，結果表明，與傳統方法相比，診斷準確率提高至９８３％．通過可視化方法顯示出診斷方法的優越性，為小樣本條件下的故障診斷提供參考．

關 鍵 詞：最小二乘生成對抗網絡；長短期記憶網絡；故障診斷；小樣本；數據增強；深度學習；齒輪；可視化

中圖分類號：ＴＰ１８３ 文獻標志碼：Ａ 文章編號：１０００－１６４６（２０２３）０４－０４３６－０６

齒輪作為旋轉機械傳動系統中的主要組成部分［１］，其性能直接影響機械設備能否平穩運行以及設備周期壽命的長短［２］．實現準確的齒輪故障診斷對于增強設備使用的安全性以及可靠性均具有深遠意義［３］．在實際的采集過程中，相應的故障信息數據極少，采集到的故障信號往往存在大量的環境噪聲，使獲取故障數據變得更加困難，需要投入大量時間和人力成本［４］，無法進行高效準確的故障診斷．因此，故障數據缺少成為現階段齒輪故障診斷急需解決的問題．Ｌｉ等［５］采用改進的ＣＧＡＮ來解決數據不足和不平衡時的齒輪故障診斷問題；Ｗａｎｇ等［６］利用Ｄｒｏｐｏｕｔ和ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ避免對抗網絡訓練時過度擬合和梯度消失的情況；Ｓｈａｏ［７］將一維卷積神經網絡與輔助分類ＧＡＮ相結合，其中附加的標簽信息有利于生成相應的故障樣本；Ｇａｏ等［８］將ＷＧＡＮ的損失函數進行改進以補充少樣本數據，提高故障診斷的準確性．