基于ＬＳＧＡＮ-ＬＳＴＭ 的齿轮故障诊断

刘杰 郑洋

摘 要：针对难以获取足量样本数据的齿轮故障诊断率低的问题，提出一种基于最小二乘生成对抗网络（ＬＳＧＡＮ）结合长短期记忆网络（ＬＳＴＭ）的方法．将齿轮的原始样本输入ＬＳＧＡＮ模型中，通过对生成网络和判别网络的交替訓练，学习出不同状态的样本数据，从而实现数据增强，通过生成样本结合原始样本训练ＬＳＴＭ诊断模型，完成小样本下的故障诊断．以康狄涅格大学的齿轮实验数据为例对所提方法进行验证，结果表明，与传统方法相比，诊断准确率提高至９８３％．通过可视化方法显示出诊断方法的优越性，为小样本条件下的故障诊断提供参考．

关 键 词：最小二乘生成对抗网络；长短期记忆网络；故障诊断；小样本；数据增强；深度学习；齿轮；可视化

中图分类号：ＴＰ１８３ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０４－０４３６－０６

齿轮作为旋转机械传动系统中的主要组成部分［１］，其性能直接影响机械设备能否平稳运行以及设备周期寿命的长短［２］．实现准确的齿轮故障诊断对于增强设备使用的安全性以及可靠性均具有深远意义［３］．在实际的采集过程中，相应的故障信息数据极少，采集到的故障信号往往存在大量的环境噪声，使获取故障数据变得更加困难，需要投入大量时间和人力成本［４］，无法进行高效准确的故障诊断．因此，故障数据缺少成为现阶段齿轮故障诊断急需解决的问题．Ｌｉ等［５］采用改进的ＣＧＡＮ来解决数据不足和不平衡时的齿轮故障诊断问题；Ｗａｎｇ等［６］利用Ｄｒｏｐｏｕｔ和ＢａｔｃｈＮｏｒｍａｌｉｚａｔｉｏｎ避免对抗网络训练时过度拟合和梯度消失的情况；Ｓｈａｏ［７］将一维卷积神经网络与辅助分类ＧＡＮ相结合，其中附加的标签信息有利于生成相应的故障样本；Ｇａｏ等［８］将ＷＧＡＮ的损失函数进行改进以补充少样本数据，提高故障诊断的准确性．