相关实验视频
一个梯度处罚条件时间GAN与多尺度重要意识网络相结合,用于在不平衡数据下进行故障诊断
Ranyang Deng1,2, Dongning Chen1,2, Chengyu Yao3
1School of Mechanical Engineering, Yanshan University, Qinhuangdao 066004, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究引入了一种新的方法,CTGAN-MSIN,以提高工业故障诊断准确度,使用不平衡的数据. 它有效地生成合成故障数据并对其进行分类,即使在数据不平衡的情况下也能实现高诊断准确度.
科学领域:
- 工业工程 工业工程 工业工程
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 工业故障诊断依赖于准确的数据,但类不平衡的数据集阻碍了诊断性能.
- 像TimeGAN这样的现有方法因训练不稳定而与多类错误数据不平衡作斗争.
研究的目的:
- 提出一种新的方法,CTGAN-MSIN,用于解决工业故障诊断中的类不平衡.
- 为了提高数据增强和分类准确性,多类别的故障数据.
主要方法:
- 开发了一种梯度处罚的条件时间序列生成对抗网络 (CTGAN),用于控制生成高质量,不平衡的故障样本.
- 构建了一个多尺度重要意识网络 (MSIN),用于特征提取的多尺度深度可分离残余 (MDSR) 和用于特征选择的尺度增强局部注意 (SELA).
- 在HUST轴承和轴向活塞数据集上验证了CTGAN-MSIN方法.
主要成果:
- 在15:1的数据失衡比率下,CTGAN-MSIN在HUST轴承和轴向活塞数据集上分别实现了98.75%和96.50%的高诊断准确度.
- 与现有方法相比,拟议的方法在各种不平衡比率上表现出优异的性能.
- CTGAN组件通过可控制的故障样本生成,有效地缓解了数据不平衡.
结论:
- CTGAN-MSIN方法提供了一个强大的解决方案,用于工业故障诊断与不平衡的数据集.
- 先进的数据增强和专门的分类网络的结合显著提高了诊断准确度.
- 这种方法为现实世界的工业监测和维护提供了一个有希望的方向.
