基于改进SAGGAN模型的齿轮故障分类方法研究

作者：刘洋,但斌斌,易灿灿,等. 日期：2024-12-24/span> 浏览：155 查看PDF文档

摘要: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

中图分类号:TH132.41文献标识码:A文章编号:1001-4551(2024)12-2185-10


本文引用格式:

刘洋,但斌斌,易灿灿,等.基于改进SAGGAN模型的齿轮故障分类方法研究［J］.机电工程,2024,41(12):2185-2194.

LIU Yang, DAN Binbin, YI Cancan, et al. Gear fault classification method based on improved SAGGAN model［J］.Journal of Mechanical & Electrical Engineering, 2024,41(12):2185-2194.