Page 136 - 《振动工程学报》2025年第8期
P. 136

1776                               振   动   工   程   学   报                               第 38 卷

              method，DAM）中的旋转、平移、缩放、翻转、裁剪等                      通过不重叠的移动窗口执行自注意计算，并允许跨
              传统变换对数据样本进行扩充。然而，这些变换方                            窗口连接，可以有效提取轴承信号中的故障特征，其
              法是为二维图像数据设计的，不能直接应用于一维                            最初应用于自然语言处理（natural language process‑
              时 间 序 列 状 态 监 测 数 据 。 生 成 对 抗 网 络（genera‑         ing， NLP）中序列数据的分析，如今在计算机视觉
                                          ［1］
              tive adversarial network，GAN） 可 以 有 效 解 决 模       领域得到广泛应用，被广泛应用于遥感                   ［10］ 、工业制
              型训练中一维时间序列或二维样本数据不足的问                             造 ［11］ 、气象 ［12］ 、医学 ［13］ 、农业等领域。高涛等     ［14］ 提出
              题，通过生成网络与判别网络的相互对抗学习，使                            一种基于浅层特征提取模块和深度特征提取网络两
              生成样本与真实样本具有相似的空间分布，通过生                            部分的窗口自注意力网络的单图像去雨算法，有效
              成 数 据 解 决 轴 承 故 障 诊 断 中 的 数 据 不 均 衡 问 题 。         地利用雨图的全局性信息，避免了部分细节和结构
                    ［2］
              郭伟等 构建了一种深度卷积对抗生成网络，引入                            信息的损失 ；扶兰兰等          ［15］ 提出将 Swin Transformer
              密集块与扩容卷积挖掘数据中的不同特征，提升模                            模型引入迁移学习，实现了对玉米不同生长阶段的
              型 对 复 杂 特 征 的 提 取 性 能 ，克 服 了 样 本 缺 乏 的 问          识别；王璨等      ［16］ 引入 Swin Transformer 主干网络，实
              题，在噪声环境下仍有较高的诊断准确率。郭俊锋                            现了对玉米与杂草的准确分类。
              等 ［3］ 提 出 一 种 基 于 Wasserstein 距 离 条 件 梯 度 惩 罚          考虑数据样本缺乏及模型训练不充分等问题，
              生成对抗网络（CWGAN‑GP）的轴承不均衡数据集                         提出利用 LSGAN‑Swin‑T 模型解决样本不均衡及
              故 障 诊 断 方 法 ，在 样 本 生 成 过 程 中 避 免 了 梯 度 消          部分故障类型数据缺乏条件下的滚动轴承故障诊
              失、模型收敛慢等问题，在均衡的数据集上进行试
                                                                断难题。通过在生成器中添加 dropout 层改进 LS‑
              验，降低了数据不均衡对模型训练准确率的影响。                            GAN 模型，输入重构为二维矩阵的轴承故障数据，
                      ［4］
              ZHOU 等 利用全局优化机制对 GAN 中的生成器                        使用最小二乘损失函数代替交叉熵损失函数，使用
              和判别器进行更新，提高了样本不均衡条件下故障                            生 成 样 本 扩 充 不 均 衡 的 真 实 故 障 样 本 集 ，输 入
              诊断方法的准确率。肖雄等              ［5］ 提出基于辅助分类
                                                                Swin Transformer 模型进行故障分类。同时减少生
              生成对抗网络的数据增强方法，解决了标签信息丢
                                                                成对抗网络训练样本数量，以验证小样本条件下所
              失的问题，减少网络训练参数量，有效提高了故障
                                                                提方法的有效性，在不同数据集上进行试验，验证
              诊断的效率和准确率。传统 GAN 生成数据扩充不
                                                                模型的适应能力。
              均衡样本的方法训练模型容易失稳，生成数据质量
              欠佳，由于网络中交叉熵损失函数的限制，经常出                            1 模型相关理论
              现梯度弥散现象，为了解决这些问题，提出了部分
              改进 GAN 方法，但仍会导致改进后的网络出现收
                                                                1. 1 LSGAN 理论
              敛速度慢、生成数据多样性差等问题，不能满足轴
              承故障诊断中的应用要求。                                           GOODFELLOW 等     ［17］ 提 出 生 成 对 抗 网 络 ，由
                  WU 等  ［6］ 提 出 了 利 用 欠 采 样 策 略 和 加 权 的 代       生成器和判别器共同组成，生成器（generator，G）通
              价 敏 感 损 失 函 数 的 长 循 环 卷 积 LSTM（长 短 期 记            过映射随机分布噪声信号至样本空间，从而得到生
              忆）网络，为数据不均衡条件下的故障诊断提供了                            成数据，将其与真实数据共同输入判别器（discrimi‑
              解决方法。JIA 等      ［7］ 提出了具有加权 Softmax 损失            nator，D），输出生成样本被判别器判定为真实样本
              函数的深度归一化卷积神经网络，使训练过程更加                            的概率，最终网络达到纳什均衡               ［18］ 。
              稳 定 ，在 数 据 不 均 衡 条 件 下 取 得 了 较 好 的 分 类 效               GAN 的目标函数为：
                                                                                      )
                            ［8］
              果。ZHANG 等 提出了一种基于深度对抗半监督                               min max V GAN( D，G = E x~P data( )( lg D ( ) x  ) +
                                                                                                x
                                                                      G   D
              方法，以提升数据不均衡条件下轴承故障诊断的准
                                                                            E z~P z( ) z( ( 1 - D( G ( ) z  ) ) )  （1）
                                                                                   lg
              确率。由于轴承工作环境复杂多变，传统卷积神经
              网络训练时易受不均衡数据干扰，不利于故障诊断                            式中， V GAN( D，G) 为判别器与生成器的目标函数；
              准确率的提升。主要是由于 CNN（卷积神经网络）                          E(·) 为数学期望 ；x 表示真实样本数据 ； P data( x) 表
              对原始故障数据进行网络层间学习，建立故障样本                            示原始数据分布； z 为随机噪声； P z( z) 表示随机噪
              和故障类别之间的映射关系，需要大量的均衡数据                            声服从高斯分布； D ( x) 表示判别样本属于真实样
              对深度诊断模型进行训练，在轴承故障监测及诊断                            本的概率值； G ( z) 表示生成样本数据。
              模型构建过程中，数据集中正常数据与故障数据严                                 传统 GAN 通过交叉熵损失函数判断生成数据
              重失衡，极大地降低了轴承故障诊断结果的准确性                            样本与真实数据样本间的差异程度，由于训练过程
              和稳定性，针对上述问题，引入 Swin Transformer ，                 不稳定通常会出现梯度弥散和模式崩溃等现象，为
                                                         ［9］
   131   132   133   134   135   136   137   138   139   140   141