基于Transformer谱归一化条件生成对抗网络的电液伺服阀故障诊断与性能评估

《Expert Systems with Applications》：Optimal Legendre multiwavelet frequency band-based an improved adaptive denoising algorithm for mechanical fault diagnosis under complex conditions

本文提出了一种创新的Transformer谱归一化条件生成对抗网络（Trans-SN-CGAN）框架，通过核主成分分析（KPCA）和核独立成分分析（KICA）融合高斯/非高斯特征，并利用格拉米角场（GAF）保留时空特性。该模型有效解决了电液伺服阀（EHSV）在复杂工况下的数据不平衡问题，在性能评估（OPA）和故障诊断（FD）中分别达到97.6%和97.2%的准确率，为液压系统智能运维提供了突破性解决方案。

　　

¹亮点

¹1. 高斯与非高斯特征提取的融合：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，有效捕捉高斯和非高斯特性的关键信息。

¹2. 时空特征保留与增强型CGAN训练：为保留时空特征，该框架采用格拉米角场（GAF）将时间序列数据转换为二维图像。此外，将谱归一化（SN）集成到条件生成对抗网络（CGAN）中，增强了训练稳定性，并能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。

¹3. 基于Transformer架构的序列数据处理：该框架采用了基于Transformer的架构，该架构以其处理序列数据和捕捉长程依赖关系的卓越能力而闻名。此设计使模型能够有效捕捉时空数据表征中的长程依赖，从而为分类实现更鲁棒、更准确的特征提取，并提升OPA和FD性能。

²方法

在本节中，我们首先介绍问题陈述并阐明本研究的动机。随后，我们采用KPCA和KICA来提取高斯和非高斯信息。为解决判别器训练过程中的不稳定性，我们通过集成谱归一化来增强传统CGAN。基于这些进展，我们提出了一种新颖的基于Transformer的谱归一化条件生成对抗网络（Trans-SN-CGAN）。

³在电液伺服阀（EHSV）上的应用

在本节中，基于EHSV的案例研究被用来展示Trans-SN-CGAN模型的评估和诊断性能。首先，介绍EHSV的概述。然后，本实验将比较三种相关方法。

⁴结论

本工作建立了Trans-SN-CGAN，一个集成的框架，通过统一高斯和非高斯特征融合、鲁棒的不平衡学习以及高精度序列建模，彻底改变了EHSV的诊断方式。这一进展的核心是通过格拉米角场对KPCA和KICA进行新颖的集成，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...