生成式零样本深度学习模型的轴承故障诊断方法

来源：中国农机化学报杂志2026年第1期北京时间：

作者：刘月文, 刘文淼, 李永亭, 齐咏生, 刘慧文

单位：1. 内蒙古工业大学电力学院，呼和浩特市，010080； 2. 大规模储能技术教育部工程研究中心，呼和浩特市，010080； 3. 内蒙古自治区高等学校智慧能源技术与装备工程研究中心，呼和浩特市，010080

摘要：基于深度学习的故障诊断模型需要大量数据进行训练，然而在实际工况中环境恶劣，完备故障数据的获取困难，导致模型训练精度差甚至无法训练。为此，引入生成式零样本学习模型，然而生成式模型也存在一些局限性，如生成的特征质量可能比较差，与真实特征之间存在较大差距，限制模型性能。针对此问题，提出一种结合互补属性和回归模块生成式零样本学习(CARMGZSL)方法并应用于轴承故障诊断。首先采用连续小波变换将一维故障信号转换为时频图，使用CNN提取故障特征；然后设计一种语义属性模块，依据不同故障定义不同语义属性，通过生成对抗模块将可见类故障的语义属性和故障特征进行对抗性训练，生成不可见类故障特征并送入判别器，和真实故障样本特征进行判别；再构造一类回归模块，将生成样本特征通过回归模块重构为语义属性送入生成器，使生成样本特征更加逼真；最后通过相似性度量实现对不可见类故障与生成式不可见类故障的距离判别，完成故障识别。通过凯斯西储大学轴承数据集进行算法验证，结果表明，在零样本情况下，该方法可实现滚动轴承零样本故障诊断，相比于其他经典的零样本诊断算法，所提方法平均准确率达到92.32%，具有更好的诊断性能。

关键词：滚动轴承,零样本学习,故障诊断,生成对抗网络,语义特征

基金资助：国家自然科学基金(62363029)；内蒙古自然科学基金(2025MS06038)；内蒙古自治区高等学校科学研究项目(NJZY22365)；呼和浩特市科技创新领域人才项目（2023RC—联合体—3）