【论文阅读】SASLN:小样本条件下机械故障诊断的信号增强自学习网络
SASLN: Signals Augmented Self-Taught Learning Networks for Mechanical Fault Diagnosis Under Small Sample Condition
本文介绍了一种名为SASLN(Signals Augmented Self-Taught Learning Networks)的方法,专门用于在小样本条件下对风力发电机(WT)的发电机轴承故障进行诊断。该方法通过Wasserstein距离引导的生成对抗网络(WGAN)生成故障信号样本,以扩充有限的训练数据集,并利用这些数据预训练自学习网络(SLN),从而提高SLN的泛化能力,最终通过少量真实信号样本对SLN的权重进行微调,以实现准确的故障分类。实验结果表明,SASLN在小样本条件下能够实现较高的故障分类准确率,并且在噪声环境、变负载和变转速条件下具有良好的鲁棒性。
背景知识
- 随着能源短缺和环境污染问题的加剧,风能作为一种清洁且稳定的可再生能源得到了快速发展。然而,风力发电机(WT)在恶劣的工作条件下容易出现故障,导致巨大的经济损失。因此,对WT进行状态监测和故障诊断(CMFD)对于降低成本和保证风电场的正常运行具有重要意义。
- 传统的故障诊断技术依赖于人工选择信号特征,效率较低。近年来,机器学习算法如支持向量机(SVM)、卷积神经网络(CNN)和长短期记忆网络(LSTM&