基于深度学习与SMOTE数据增强的旋转机械故障诊断研究
李文赞
刘勤明
叶春明
汪宇杰
上海理工大学 管理学院,上海 200093
摘要：[目的]随着工业设备自动化与智能化的发展,旋转机械的故障诊断已成为保障设备稳定运行的关键环节.传统故障诊断方法依赖人工经验和简单信号处理技术,难以应对复杂工况和多样化的故障类型.因此,提出一种基于格拉姆角场(Gram Angular Field,GAF)图像编码和增强型门控波形网络(Gated WaveNet,GWaveNet)架构的新型故障诊断方法.[方法]首先,将原始一维轴承振动信号通过GAF编码转换为二维图像,充分保留时序依赖性和动态信号变化特征.在这一过程中,为解决数据不平衡问题,采用窗口切分、噪声增强、合成少数类过采样技术(Synthetic Minority Over-sampling Technique,SMOTE)等扩增样本多样性,增强了模型的训练效果并提高了鲁棒性.其次,构建了一种增强型GWaveNet架构,结合卷积层、残差连接、多尺度特征提取机制,增强了对故障模式的辨识能力.最后,基于美国凯斯西储大学(Case Western Reserve University,CWRU)公共数据集进行试验验证.试验结果表明,所提方法能够在健康、内圈故障、外圈故障3种工况下实现高准确率的故障诊断,并在复杂工况下展示出较强的泛化能力.[结果]结果表明,所提模型在旋转机械故障诊断中具有较高的准确性和鲁棒性,能够有效应对故障类型的多样性和实际工业环境中的不确定性.
关键词：旋转机械故障诊断深度学习格拉姆角场数据增强
分类号：TH17(机械运行与维修)TP18(自动化基础理论)
论文发表日期：2026-02-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 1-11 )
英文信息