Page 146 - 《振动工程学报》2025年第8期

1786 振 动 工 程 学 报 第 38 卷

结果表明，所提模型依然能有效地完成故障诊 GUO Wei， XING Xiaosong. Intelligent fault diagnosis
断任务，证明所提方法在不同复杂程度的数据集上 of bearings with few samples based on an improved con‑
仍具有较好的表现。 volutional generative adversarial network［J］. China Me‑
chanical Engineering， 2022， 33（19）： 2347-2355.
［3］ 郭俊锋， 王淼生， 孙磊， 等 . 基于生成对抗网络的滚动
5 结 论
轴承不平衡数据集故障诊断新方法［J］. 计算机集成制
造系统， 2022， 28（9）： 2825-2835.
为了解决轴承故障诊断中样本数量不足和样本
GUO Junfeng， WANG Miaosheng， SUN Lei， et al.
类别不均衡导致模型训练不足、准确率低的问题，采 New method of fault diagnosis for rolling bearing imbal‑
用所提 LSGAN 扩充及均衡数据样本，通过相关统计 ance data set based on generative adversarial network
指标验证数据生成质量，通过 Swin‑T 对比不同分类 ［J］. Computer Integrated Manufacturing Systems，
模型。结果表明，样本扩充后各个模型故障诊断准 2022， 28（9）： 2825-2835.
确 率 均 有 提 升 ，并 验 证 了 其 在 不 同 数 据 集 中 的 有 ［4］ ZHOU F N，YANG S，FUJITA H，et al. Deep learning
效性。 fault diagnosis method based on global optimization
GAN for unbalanced data［J］. Knowledge-Based Sys‑
（1）利 用 Swin Transformer 模 型 结 合 LSGAN
tems， 2020， 187： 104837.
进行数据样本扩充后的轴承故障诊断，与传统深度
［5］ 肖雄， 肖宇雄， 张勇军， 等 . 基于二维灰度图的数据增
学 习 方 法 进 行 对 比 。 结 果 表 明 ，Swin Transformer
强方法在电机轴承故障诊断的应用研究［J］. 中国电机
模型的识别精度均在 99% 以上，其中在 1∶60 不均衡 工程学报， 2021，41（2）：738-749.
比 例 下 Swin‑T 较 对 比 模 型 的 识 别 精 度 分 别 高 出 XIAO Xiong， XIAO Yuxiong， ZHANG Yongjun， et
22.9%、9.8%、7.6%、6.6% 和 5.2%，一 定 程 度 上 克 al. Research on the application of the data augmentation
服了卷积神经网络过拟合和模型训练不充分导致故 method based on 2D gray pixel images in the fault diag‑
障识别率不高的问题。 nosis of motor bearing［J］. Proceedings of the CSEE，
（2）通过减少 LSGAN 训练样本数量验证小样 2021，41（2）：738-749.
［6］ WU Z Y， GUO Y， LIN W F， et al. A weighted deep
本条件下 LSGAN 生成样本的有效性。结果表明，
representation learning model for imbalanced fault diag‑
在 10 样本条件下，所提模型故障诊断准确率较对比
nosis in cyber-physical systems［J］. Sensors， 2018， 18
模 型 的 识 别 精 度 分 别 高 出 34.85%、13.45%、
（4）： 1096.
12.95%、7.6% 和 7.15%，且 4 种模型识别精度较数 ［7］ JIA F， LEI Y G， LU N， et al. Deep normalized convo‑
据扩充前均有一定程度的提升，验证了 LSGAN 扩 lutional neural network for imbalanced fault classifica‑
充数据的有效性及 Swin‑T 模型的优越性。 tion of machinery and its understanding via visualization
（3）在 1∶60 样本不均衡比例下，采用小样本训 ［J］. Mechanical Systems and Signal Processing， 2018，
练 LSGAN 均衡沈阳工业大学行星平行轴齿轮箱故 110： 349-367.
障模拟试验台试验数据，所提模型仍具有较高的准 ［8］ ZHANG Y C， REN Z H， ZHOU S H. An intelligent
fault diagnosis for rolling bearing based on adversarial
确率，验证了所提 GAN 方法在均衡数据样本中的
semi-supervised method［J］. IEEE Access， 2020， 8：
可应用性和所提分类模型 Swin‑T 在不均衡条件下
149868-149877.
的稳定性。
［9］ LIU Z， LIN Y T， CAO Y， et al. Swin transformer： hi‑
erarchical vision transformer using shifted windows
参考文献: ［C］∥ Proceedings of the IEEE/CVF International

Conference on Computer Vision（ICCV）. Montreal，
［1］ 杨光友， 刘浪， 习晨博 . 自适应辅助分类器生成式对 QC， Canada： IEEE， 2021： 9992-10002.
抗网络样本生成模型及轴承故障诊断［J］. 中国机械工 ［10］ GAO L， LIU H， YANG M H， et al. STransFuse： fus‑
程， 2022， 33（13）： 1613-1621. ing swin transformer and convolutional neural network
YANG Guangyou， LIU Lang， XI Chenbo. Bearing for remote sensing image semantic segmentation［J］.
fault diagnosis based on SA-ACGAN data generation IEEE Journal of Selected Topics In Applied Earth Ob‑
model［J］. China Mechanical Engineering， 2022， 33 servations and Remote Sensing， 2021， 14： 10990-
（13）： 1613-1621. 11003.
［2］ 郭伟， 邢晓松 . 基于改进卷积生成对抗网络的少样本 ［11］ GAO L F， ZHANG J X， YANG C H， et al. Cas-
轴承智能诊断方法［J］. 中国机械工程， 2022， 33（19）： VSwin transformer： a variant swin transformer for sur‑
2347-2355. face-defect detection［J］. Computers in Industry， 2022，