-
题名基于改进SAGGAN模型的齿轮故障分类方法研究
- 1
-
-
作者
刘洋
但斌斌
易灿灿
严旭果
薛家成
-
机构
武汉科技大学冶金装备及其控制教育部重点实验室
武汉科技大学机械传动与制造工程湖北省重点实验室
武汉科技大学精密制造研究院
宝钢股份中央研究院(武钢有限技术中心)
-
出处
《机电工程》
CAS
北大核心
2024年第12期2185-2194,共10页
-
基金
国家自然科学基金资助项目(52205537)。
-
文摘
针对齿轮故障样本获取困难,导致深度学习驱动故障分类模型的可靠性和准确性不足这一问题,提出了一种基于改进自注意力门单元生成对抗网络(SAGGAN)的半监督齿轮故障分类模型。首先,为增强改进SAGGAN模型的特征表示能力,提升齿轮故障的半监督分类效果,在自注意力生成对抗网络(SAGAN)的基础上,引入了门控通道转换模块(GCT)、改进自注意力门控模块(SAG)和预训练的Inception V3分支;然后,使用齿轮故障实验装置采集齿轮断齿、磨损、周节误差和正常四种状态下的振动信号,并将数据划分为训练集、验证集与测试集;最后,将计算结果与现有的半监督分类方法:TripleGAN、Bad-GAN、Reg-GAN、SF-GAN进行了对比,并对改进模块进行了消融实验研究。研究结果表明:在标签样本为40、60、80、100时,改进SAGGAN模型的整体分类准确率分别为89%、90%、92%、94.25%,远高于其他四种方法,特别在只有少量标签样本情况下的优越性更为明显。以上结果揭示了改进的SAGGAN模型在齿轮故障分类领域中的实用性和优越性。
-
关键词
齿轮故障
模式分类
自注意力门单元生成对抗网络
半监督学习
自注意力生成对抗网络
门控通道转换模块
自注意力门控模块
-
Keywords
gear fault
pattern classification
self-attention and gate unit generated adversarial network(sagGAN)
semi-supervised learning
self-attention generative adversarial network(sagAN)
gated channel transformation(GCT)
self-attention gate modules(sag)
-
分类号
TH132.41
[机械工程—机械制造及自动化]
-
