%0 Journal Article
%A 袁九海
%A 张氢
%A 张建群
%A 冯文宗
%A 孙远韬
%T 基于FDVI和CDDPM的小样本岸桥齿轮箱多类故障诊断
%D 2025
%R 
%J 振动与冲击
%P 306-317
%V 44
%N 6
%X 岸桥齿轮箱零部件数量多、故障类型丰富，且故障数据难以获取，其诊断面临小样本、多分类的问题。针对上述问题，提出了一种基于频域振动图（frequency domain vibration image，FDVI）和条件去噪扩散概率模型（conditional denoising diffusion probabilistic model，CDDPM）的故障诊断方法。首先将获取的振动信号转为FDVI图像，充分表征各故障的振动信号的特征信息。然后，使用CDDPM对小样本数据进行扩充，将标签信息输入到模型以控制生成故障样本类别，同时采用跳层采样加快样本生成速度。将扩充后的样本集输入卷积神经网络分类器中进行训练，提升分类器对小样本多类故障诊断的效果。在对CWRU数据集的17种故障类型和岸桥缩尺实验台数据集的29种故障类型的小样本诊断实验表明：样本扩充后CWRU数据集故障识别率由89.86%提高到99.30%；岸桥数据集故障识别率由68.63%提高到95.75%。上述分析表明所提方法能完成小样本条件下岸桥齿轮箱多类故障诊断任务。<br>
%U https://jvs.sjtu.edu.cn/CN/abstract/article_14086.shtml