基于S-LSSF的小样本滚动轴承故障诊断研究OA

文中针对滚动轴承故障诊断中滚动轴承故障样本不足的问题,提出基于S-LSSF的滚动轴承故障诊断模型,将Sty-leGan2-ada运用在轴承故障诊断领域。首先利用连续小波变换将时域振动信号转化为时频图像输入StyleGan2-ada生成对应的样本,然后将原始样本和生成样本合并输入改进的ShuffleNetV2模型。在反向传播过程中引入LabelSoomthloss损失函数,降低错误标签对模型诊断性能的影响,进一步抑制过拟合在下采样单元引入LeakyReLU函数解决梯度消失的问题。实验结果表明:S-LSSF模型与原模型相比诊断准确率提高了1.9%,并且平均用时缩短了5 s。与原始样本相比,使用生成样本训练模型后其准确率、精确率、召回率和F1分数分别提高了3.58%、5.71%、6.15%和6.06%,验证了S-LSSF模型在小样本条件下轴承故障诊断的可行性和泛化性。