来源：期刊VIP网 时间：
作者：张越宏;袁昭成;黄锋飞;张楷;郑庆;
单位：成都市特种设备检验检测研究院;西南交通大学机械工程学院;西南交通大学轨道交通运维技术与装备四川省重点实验室;
摘要：大数据和物联网技术的发展为滚动轴承数据监测提供保障，但其采集的大多是正常状态数据，可利用的各类故障数据较少。由此产生的正常与故障样本极不均衡的情况将影响滚动轴承故障诊断准确率。针对此问题，提出一种不均衡下分类器评价辅助生成对抗网络（classifier evaluation-assisted generative adversarial networks,CEAGAN）的滚动轴承故障诊断方法。该方法首先通过短时傅里叶变换提取一维信号的时频特征；其次，在生成对抗网络中构建辅助分类模块，约束生成样本的类别；然后，通过辅助分类器与判别器共同对生成样本评分，使生成器生成指定类别样本；最后，生成样本与原始不均衡样本混合构成新均衡数据集，并通过构建的卷积神经网络训练与测试，验证所提方法的有效性。实验结果表明，在凯斯西储大学轴承公开数据集与风力发电机齿轮箱工程实测数据下，所提方法对数据进行扩充后，对比不均衡情形诊断准确率分别提升15.20%与13.93%，证明CEAGAN对不均衡样本进行数据增强后能够有效提高故障诊断准确率。
关键词：滚动轴承;故障诊断;样本不均衡;生成对抗网络
基金资助：国家重点研发计划项目（2021YFB3400702）; 国家自然科学基金项目（52205130）
