基于扩散模型的滚动轴承小样本故障诊断研究

足够的训练样本数量是智能故障诊断达到较高准确率的基础,一方面传统小样本问题的解决方法,其扩充过程不稳定、生成样本质量不高;另一方面去噪扩散概率模型(denoising diffusion probability model,DDPM)在高质量图像生成等领域被广泛应用。基于此,提出一种基于DDPM的小样本故障诊断方法。首先,将轴承原始振动信号通过连续小波变换得到二维时频图;然后,利用DDPM对小样本进行扩充,将扩充样本集用于训练基于卷积神经网络的故障诊断模型。实验结果表明,该方法能有效提高故障诊断的准确率,具备有效性和优越性。

资料为PDF文档格式.

本文档关键词:样本,扩散,模型,滚动轴承,故障诊断