Page 137 - 《振动工程学报》2025年第8期

第 8 期 刘 杰，等： 不均衡样本下轴承故障的 LSGAN-Swin Transformer 诊断方法 1777

解决梯度消失的问题，MAO 等 ［19］ 提出使用最小二 生 成 数 据 的 质 量 ，从 而 保 证 在 数 据 不 均 衡 条 件 下
乘损失函数替代交叉熵损失函数的 LSGAN 模型， LSGAN 能够有效扩充数据样本，提高样本不均衡
使得 GAN 的训练过程更加稳定的同时具有更快的 条件下轴承故障诊断的准确率。
收敛速度，得到更高质量的生成数据。
1. 2 Swin Transformer 网络模型
LSGAN 的目标函数表示为：
ì 1 2 Swin Transformer 模 型 利 用 滑 动 窗 口 、层 级 设
ï ï min V LSGAN( ) =
ï D D 2 E x ∼ P data( )( D ( ) x - b ) + 计 的 优 势 ，使 Transformer 从 语 言 适 应 应 用 至 视 觉
x
ï
ï
ï
ï ï
1
í E z ∼ P z( ) z ( D( G ( ) z ) - ) a 2 （2） 方 面 成 为 可 能 ［20‑21］ 。 在 本 文 的 故 障 诊 断 研 究 中 ，
ï ï 2
ï Swin Transformer 诊 断 模 型 的 总 体 框 架 如 图 1 所
ï
ï 1 2
G
ï min V LSGAN( ) = 2 E z ∼ P G( ) z ( D( G ( ) z ) - ) c 示，主要由修补分区层、层叠模块、归一化层、全局
ï ï
î
G
式 中 ，V LSGAN( D) 和V LSGAN(G) 分 别 为 LSGAN 判 别 池化层以及全连接层组成。
器和生成器的目标函数；P G （z）表示真实数据分布； 通过连续小波变换将振动信号转变为 RGB 三
a 为生成数据标签；b 为真实样本标签；c 为判别生 通道的时频图，将大小为［H， W， C］的时频图输入
成数据为真的期望。为了使生 成 数 据 与 真 实 数 据 模型中大小为 4×4 相邻像素的补丁分区模块中进行
样 本 的 分 布 无 限 接 近 ，设 定 b=c，a=0，代 入 LS‑ 分 块 ，通 过 展 平 操 作 ，图 像 大 小 变 为［H/4， W/4，
GAN 的目标函数中可得： 16C］，依次经历 4 个层叠模块 Stage 对输入时频图的
ì 1 2 分辨率进行压缩，网络模型使用窗口多头自注意结
D
ï
ï ï min V LSGAN( ) = 2 E x ∼ P data( )( D ( ) x - 1 ) + 构 W‑MSA（window multi‑head self‑attention）和 移
x
ï
D
ï
ï
ï ï
1
í E z ∼ P z( ) z ( D( G ( ) z ) ) 2 （3） 位 窗 口 多 头 自 注 意 结 构 SW‑MSA（shifted window
ï ï 2
ï multi‑head self‑attention）两种旋转转换块结构。模
ï
ï 1 2
G
ï min V LSGAN( ) = 2 E z ∼ P G( ) z ( D( G ( ) z ) - ) 1 型层叠模块 Stage1 中具有 1 个线性嵌入，层叠模块
ï ï
î
G
在 LSGAN 中，在生成器 G 中加入 dropout 层防 Stage2 至 层 叠 模 块 Stage4 中 各 含 有 1 个 补 丁 合 并
止参数过多影响网络判别效果，避免小样本训练过 层 。 其 中 Stage1 至 Stage4 中 分 别 包 含 2、2、6、2 个
程中发生过拟合现象，判别器 D 通过最小二乘损失 Swin Transformer Blocks。
函数，使生成数据样本通过不断迭代训练逐渐尽可 移动窗口多注意力机制包含 MSA（multi‑head
能地接近真实样本数据的空间分布，二者均会提高 self‑attention）结 构 、W‑MSA 结 构 和 SW‑MSA 结

注： H 和 W 分别表示时频图的高度和宽度；C 表示时频图维度；LN 为归一化层；MLP 为多层感知器；Stage1 至 Stage4 为层叠模块；Swin
l
l
Transformer blocks 为 LN、W-MSA、SW-MSA、MLP 和移位窗口多头自注意结构组成的模块；z 为 MLP 模块的输出特性； z ̂ 为 W-MSA 模
块的输出特性。
图 1 LSGAN-Swin Transformer 诊断模型总体框架
Fig. 1 General framework of the LSGAN-Swin Transformer diagnosis model