来源：期刊VIP网 时间：
作者：窦唯;张宏利;刘晓阳;李金丰;张海林;
单位：北京航天动力研究所;上海大学机电工程与自动化学院;
摘要：针对液体火箭发动机涡轮泵故障样本少且难以获取问题，本文提出了一种基于一维卷积神经网络（1D-CNN）的涡轮泵故障仿真数据风格迁移扩增方法。构建具有多层卷积结构的1D-CNN模型，并利用模型识别优化方法进行预训练，形成具有一定识别能力的预训练模型；将涡轮泵实测正常数据作为1D-CNN的风格信息输入，涡轮泵仿真故障数据作为1D-CNN的内容信息输入，分别获取两种输入的隐层信息；将随机生成的白噪声信号作为1D-CNN待训练生成信号初始值，构建风格损失及内容损失函数，通过两种损失函数的多次误差反传计算，生成模拟涡轮泵实际发射工况的合成故障数据。经液体火箭发动机涡轮泵试车轴承故障实验验证表明，该方法生成的轴承滚动体与外圈故障的合成信号，与实验信号的余弦相似度分别为0.703和0.62，故障特征频率相干性均接近1，能够满足实际场景使用需求，并代替实测故障信号，用于涡轮泵装置的故障诊断。
关键词：液体火箭发动机;;涡轮泵;;风格损失;;内容损失;;一维卷积神经网络
基金资助：国家重点实验室基金项目（MS01240120）;; 国防技术基础科研项目（JSZI2019203A003）;; 北京市自然科学基金创新联合基金（L258043）;; 国家自然科学基金（52575095）~~
