基于扩散卷积神经网络的三相感应电动机轴承故障诊断研究
刘超
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]针对工业领域中三相感应电动机轴承故障诊断中数据稀缺的问题,提出了一种新型扩散卷积神经网络(Diffusion-Convolutional Neural Network,DCNN)模 型.DCNN模型融合了去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM)与卷积神经网络(Convolutional Neural Network,CNN)的优势,突破了传统深度学习方法在处理小样本数据时的局限性.[方法]首先,DCNN模型利用格拉姆角差场(Gramian Angular Difference Field,GADF)将原始振动信号转换为信息丰富的二维时频图像,以此增强数据特征的表达能力.其次,通过DDPM生成器网络模拟了实际故障数据的分布,生成了具有物理意义的高质量虚拟样本,从而扩充了训练数据集.再次,DCNN模型引入了改进的U-Net结构作为核心去噪模块,通过时间编码与条件嵌入技术,加强了模型对复杂故障特征的识别能力.最后,采用Wasserstein距离减少了生成数据与实际数据间的偏差,优化了模型训练,并通过谱归一化增强了模型的稳定性.随后,通过系统训练的CNN分类器,用于最终的故障诊断.[结果]结果表明,所提DCNN模型性能优于传统模型,诊断准确率达到99.95%,较传统方法提升显著,验证了所提模型在处理小样本故障诊断问题时的有效性和优异性.
关键词：故障诊断扩散卷积神经网络去噪扩散概率模型虚拟样本生成三相感应电动机轴承
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：2026-05-31
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：14( 126-139 )
英文信息