基于Trans-SN-CGAN与高斯/非高斯信息融合的电液伺服阀运行性能评估与故障诊断研究

《Expert Systems with Applications》：Operating performance assessment and fault diagnosis of electro-hydraulic servo valves using Trans-SN-CGAN with Gaussian and Non-Gaussian information fusion

本文提出一种基于Transformer架构并结合谱归一化条件生成对抗网络（Trans-SN-CGAN）的新框架，通过核主成分分析（KPCA）和核独立成分分析（KICA）融合高斯与非高斯信息，并利用格拉姆角场（GAF）将时序数据转换为二维图像以保留时空特征。该模型有效解决了电液伺服阀（EHSV）数据中复杂的时空关联、非高斯特性及样本不平衡问题，在运行性能评估（OPA）和故障诊断（FD）中分别取得了97.6%和97.2%的高精度，为液压系统智能运维提供了可靠方案。

　　

Highlight

1. 高斯与非高斯信息融合的特征提取：所提出的框架结合了核主成分分析（KPCA）和核独立成分分析（KICA），从数据中提取线性和非线性特征，有效捕捉高斯与非高斯特性中的关键信息。

2. 时空特征保持与增强的CGAN训练：为保留时空特征，该框架采用格拉姆角场（GAF）将时间序列数据转换为二维图像。此外，将谱归一化（SN）融入条件生成对抗网络（CGAN），增强了训练稳定性，并能够生成高质量的合成数据样本，这对提升OPA和FD性能至关重要。

3. 基于Transformer的架构处理序列数据：该框架采用了以处理序列数据和捕捉长程依赖关系见长的Transformer架构。此设计使模型能够有效捕捉时空数据表征中的长程依赖，从而实现更鲁棒、更准确的分类特征提取，并提升OPA和FD性能。

据我们所知，这是首个为液压系统统一处理高斯/非高斯动态特性与时空信息提取的框架。我们并非简单拼接两种深度学习技术，而是引入了一种新颖的注意力引导生成反馈循环。由Transformer自注意力机制学习到的判别性特征空间被直接用于指导GAN的生成器。这不仅确保了合成数据的真实性，还使其针对诊断任务具有最大信息量，从而有效地从解耦的“生成后训练”方法转向更强大的统一学习范式。

Conclusions

本研究确立了Trans-SN-CGAN这一集成框架，它通过统一高斯与非高斯特征融合、鲁棒的不平衡学习以及高精度序列建模，革新了EHSV的诊断方法。此进展的核心在于通过格拉姆角场新颖地整合了KPCA和KICA，从而保留了传统方法无法实现的液压系统时空动态特性。结合谱归一化稳定的条件GAN，该框架在运行性能评估和故障诊断方面均展现出卓越的性能。未来的工作将探索将该框架扩展到其他复杂的工业系统，并研究在资源受限的边缘计算设备上部署这些模型。