基于改进生成对抗网络和Swin Transformer的样本不均衡轴承故障诊断

摘要

深度学习由于其强大的特征提取能力被广泛应用于故障诊断领域，但在实际生产过程中，故障样本数量通常远低于正常样本，从而导致故障诊断模型的分类准确率下降.为此，本文提出一种基于改进循环生成对抗网络和Swin Transformer的样本不均衡轴承故障诊断方法，并以旋转机械滚动轴承振动故障诊断为例对方法进行验证.首先，将原始振动信号的时频图作为循环生成对抗网络的输入；然后，为克服训练不稳定、模型不能及时收敛等问题，引入谱归一化和权值衰减，利用改进的循环生成对抗网络生成更多的故障样本；最后，采用Swin Transformer模型来进行故障诊断，并与随机森林(RF)、堆叠自编码器(SAE)、支持向量机(SVM)、卷积神经网络(CNN)进行对比.在美国凯斯西储大学(CWRU)轴承故障数据集进行多组不同的故障样本生成与故障诊断实验，结果表明，本文方法可以在训练样本数量较少时生成质量较高的合成样本，与其他方法相比，Swin Transformer模型故障诊断精度更高，在不平衡数据的故障诊断方面具有很大的潜力.

关键词

滚动轴承 / 故障诊断 / 不平衡样本 / 循环生成对抗网络 / 深度学习