Page 144 - 《振动工程学报》2025年第8期

1784 振 动 工 程 学 报 第 38 卷

表 7 20 Hz‑0 V 条件下的轴承故障类型
Tab. 7 Fault types of bearing under 20 Hz‑0 V conditions
标签 故障类型 生成样本数量 真实样本数量
0 滚动体故障 150 250
1 内‑外圈复合故障 150 250
2 正常 150 250
3 内圈故障 150 250
4 外圈故障 150 250

对比，如图 16 所示。图中显示利用 LSGAN 生成的 图 16 生成样本与真实样本信号时域图对比
数据与真实数据具有相似的分布规律，表明生成数 Fig. 16 Comparison of time-domain plots of generated
据的质量较高，可以有效扩充数据缺乏的轴承数据 samples and real samples signals
集，提高模型的轴承故障诊断性能。
3. 3 Swin-T 模型训练

使用与凯斯西储轴承数据集轴承型号及工况
环境均不相同的东南大学齿轮箱数据集 ［28］ 对所提
模型的有效性进行验证，通过 LSGAN 网络生成数
据 样 本 ，对 东 南 大 学 20 Hz‑0 V 数 据 集 中 5 种 故 障
类型按照 1∶1 的比例共同组成训练集，按照 4∶1 的
比例划分训练集与测试集，其中测试集中均为真实
故 障 样 本 ，输 入 Swim‑T 模 型 中 进 行 训 练 ，经 过 30
次迭代，模型训练过程如图 17 所示。

图 17 Swin-T 模型训练过程
Fig. 17 Training process of Swin-T model

由图 17 可知，模型经过 8 次迭代后达到 100%
的准确率，并保持最高准确率至最大迭代次数，数
据量较少会导致神经网络过拟合，通过试验验证，
在相同的轴承故障数据集上，窗口自注意网络比传
统神经网络具有更好的避免过拟合的能力，在样本
数据缺乏和样本比例不均衡的条件下具有更好的
分类效果，表明所提方法具有良好的滚动轴承故障
诊断能力。

3. 4 t-SNE 可视化分析

采 用 t‑SNE 进 行 可 视 化 分 析 ，结 果 如 图 18 所
示。标 签 0~4 分 别 对 应 表 7 中 5 类 不 同 故 障 状 态
标签。