基于改进生成对抗网络和Swin Transformer的样本不均衡轴承故障诊断

来源：南京信息工程大学学报·自然科学版杂志2025年第4期北京时间：

作者：马良玉，黄日灏，段晓冲，胡景琛，高海天，马进

单位：马良玉,华北电力大学 控制与计算机工程学院, 保定, 071003;华北电力大学 保定市综合能源系统状态检测与优化调控重点实验室, 保定, 071003,黄日灏,华北电力大学 控制与计算机工程学院, 保定, 071003,段晓冲,华北电力大学 控制与计算机工程学院, 保定, 071003,胡景琛,华北电力大学 控制与计算机工程学院, 保定, 071003,高海天,华北电力大学 控制与计算机工程学院, 保定, 071003,马进,华北电力大学 控制与计算机工程学院, 保定, 071003;华北电力大学 保定市综合能源系统状态检测与优化调控重点实验室, 保定, 071003

摘要：深度学习由于其强大的特征提取能力被广泛应用于故障诊断领域,但在实际生产过程中,故障样本数量通常远低于正常样本,从而导致故障诊断模型的分类准确率下降.为此,本文提出一种基于改进循环生成对抗网络和Swin Transformer的样本不均衡轴承故障诊断方法,并以旋转机械滚动轴承振动故障诊断为例对方法进行验证.首先,将原始振动信号的时频图作为循环生成对抗网络的输入;然后,为克服训练不稳定、模型不能及时收敛等问题,引入谱归一化和权值衰减,利用改进的循环生成对抗网络生成更多的故障样本;最后,采用Swin Transformer模型来进行故障诊断,并与随机森林(RF)、堆叠自编码器(SAE)、支持向量机(SVM)、卷积神经网络(CNN)进行对比.在美国凯斯西储大学(CWRU)轴承故障数据集进行多组不同的故障样本生成与故障诊断实验,结果表明,本文方法可以在训练样本数量较少时生成质量较高的合成样本,与其他方法相比,Swin Transformer模型故障诊断精度更高,在不平衡数据的故障诊断方面具有很大的潜力.

关键词：滚动轴承;故障诊断;不平衡样本;循环生成对抗网络;深度学习

基金资助：河北省中央引导地方科技发展资金(226Z2103G)