Page 142 - 《振动工程学报》2025年第8期
P. 142

1782                               振   动   工   程   学   报                               第 38 卷

                  由 Swin‑T 模 型 训 练 过 程 可 知 ，随 着 故 障 样 本         练样本数量较小时仍能够较好地学习真实样本的
              与正常样本之间的数量差距不断增大，各个模型收                            分 布 ，说 明 了 基 于 LSGAN 的 生 成 模 型 生 成 的 样
              敛速度逐渐变慢，且训练过程中出现不同幅度的波                            本能够用于替代真实样本均衡数据集。当真实样
              动。当不均衡比例为 1∶60 时，在前 25 次迭代中，验                     本 数 仅 为 10 时 ，Swin‑T 仍 能 获 得 99.25% 的 准 确
              证准确率不断震荡，最终逐渐趋于平稳。在五种不                            率 ，另 外 五 种 网 络 的 准 确 率 明 显 下 降 ，但 除 CNN
              均衡比例中，CNN、AlexNet、SqueezeNet 三种模型                 外 都 仍 维 持 在 85% 以 上 ，说 明 LSGAN 具 有 较 好
              的准确率较数据缺乏时均有不同程度的提高，其中                            的 数 据 生 成 能 力 ，以 相 对 较 小 的 训 练 样 本 生 成 较
              CNN 的变化最为明显，提升了 21.2%。而 AlexNet                   高质量的生成样本，以满足故障诊断需求，为小样
              与 SqueezeNet 均接近样本充足时模型的准确率，说                     本 条 件 下 数 据 不 均 衡 的 轴 承 故 障 诊 断 研 究 提 供
              明 LSGAN 能 较 好 地 拟 合 真 实 数 据 与 生 成 数 据 的           参考。
              分布，生成与真实样本之间差异较小的样本，能为                                 为 证 明 所 提 方 法 结 合 的 必 要 性 ，在 1∶60 的 比
              故障数据采集困难条件下的轴承故障诊断研究提                             例下进行如表 5 所示的消融试验。
              供数据支持，提升分类模型的诊断性能。而在不同
                                                                                  表 5  消融试验
              的 不 均 衡 比 例 中 ，Swin‑T 模 型 均 获 得 了 最 高 的 诊
                                                                            Tab. 5  Ablation experiment
              断准确率，验证了所提模型的优越性能。
                                                                 试验设置       模型      LSGAN      CGAN     准确率
              2. 6 小样本条件下的不均衡样本试验                                   a                  √        -       0.9925
                                                                    b      Swin-T      -         √      0.9836
                  由于出现样本比例不均衡时，往往真实样本数
                                                                    c                  -        -       0.9775
              量较少，为了验证小样本条件下 LSGAN 的样本生
                                                                    d                  √        -       0.9000
              成性能。从表 2 中的 10 种状态数据样本中分别随
                                                                    e      AlexNet     -         √      0.8620
              机 抽 取 10、50、100 和 200 个 样 本 ，作 为 LSGAN 网
                                                                    f                  -        -       0.8130
              络中的真实数据输入，由生成器输出模拟数据，通
                                                                    g                  √        -       0.9773
              过生成器与判别器对抗训练提高生成数据的质量，
                                                                    h       BDA        -         √      0.9632
              其各项参数设置均与上文保持一致，得到 4 类数量
                                                                    w                  -        -       0.9216
              样本下的生成数据，分别使用 4 种生成数据扩充比
              例为 1∶60 时的不均衡样本集，输入 Swin‑T 及对比
                                                                     由 试 验 结 果 可 知 ，Swin‑T 及 对 比 模 型 在 未 经
              模型中进行训练，准确率如图 13 所示。
                                                                GAN 均衡的数据上准确率大大降低，且 Swin‑T 模
                                                                型 在 LSGAN 均 衡 后 训 练 数 据 上 与 AlexNet、BDA
                                                                对比具有更好的诊断效果。在解决小样本不均衡
                                                                的问题中，通过生成对抗网络均衡数据，让模型具
                                                                有更好的表现，且经过相关统计指标评估和试验效
                                                                果 对 比 ，证 明 LSGAN 与 Swin‑T 两 方 法 结 合 具 有
                                                                更好的效果，表明二者具有互补性。

                                                                2. 7 模型抗噪性能测试

                                                                     对上述数据分别添加信噪比为 2、4 dB 的高斯
               图 13  不同模型在小样本条件下的故障诊断准确率对比
                                                                白噪声 ，进行抗噪性试验。在 10 样本的条件下训
              Fig. 13  Comparison of fault diagnosis accuracies of different
                                                                练 LSGAN 进行扩充 1∶60 不均衡数据集，所提模型
                     models under small sample conditions
                                                                与对比模型验证准确率曲线如图 14 所示。
                  由图 13 可知，LSGAN 分别在 4 种不同数量训                        由 图 14 可 知 ，在 强 噪 声 2 dB 下 ，Swin‑T 模 型
              练 样 本 条 件 下 进 行 样 本 扩 充 ，Swin‑T 的 诊 断 准 确         准 确 率 达 到 了 97.65%，分 别 高 出 BDA、
              率 均 在 99% 以 上 ，且 接 近 于 充 足 样 本 训 练 的 模 型          SqueezeNet 模型 10.9、19.95 个百分点，表明所提方
              诊断准确率。采用相同的生成样本时，AlexNet 和                        法 在 一 定 程 度 上 可 以 降 低 噪 声 的 影 响 ，具 有 较 好
              SqueezeNet 方法的准确率略低，但基于 LSGAN 的                   的鲁棒性。
              样本扩充方法在 4 种模型的诊断准确率均远远大                                利 用 CWT（连 续 小 波 变 换）将 10 种 状 态 下 的
              于样本不均衡条件下的准确率，表明 LSGAN 在训                         轴承故障信号每组生成 200 样本，对共计 2000 个样
   137   138   139   140   141   142   143   144   145   146   147