采用非平衡小样本数据的风机主轴承故障深度对抗诊断

风机主轴承振动信号中存在噪声干扰,且实验环境下获取众多故障类型与故障程度数据难度大、成本高.为提高高噪声环境下基于小样本非平衡振动数据的风机主轴承故障诊断准确率,提出采用改进辅助分类生成对抗网络(auxiliary classifier generative adversarial networks,AC-GAN)的风机主轴承故障诊断新方法.首先,在AC-GAN生成器中加入Dropout层,防止过拟合导致生成重复的样本数据,保证样本生成质量.之后,在AC-GAN判别器加入卷积层,提取更多细节特征,并引入噪声过渡模型、重定义损失函数,提高判别器抗噪能力.然后,为训练样本添加标签约束,使生成器针对性生成大量符合真实样本概率分布特性的非平衡场景下小样本故障类型数据,由此,实现判别器增强.最后,通过判别器与生成器博弈达到平衡,提高小样本非平衡场景下故障识别准确率.实验表明,在高噪声干扰、样本数量不足及不同类型样本训练集规模非平衡等复杂场景下,新方法依然能够保持良好的主轴承故障识别准确率.