基于VACWGAN的航空发动机轴承故障诊断样本不平衡优化方法

针对航空发动机轴承故障诊断中样本不平衡导致的少数类识别率低问题，研究人员提出基于变分辅助分类器Wasserstein生成对抗网络（VACWGAN）的稀缺样本增强算法。通过独立分类器构建、Wasserstein距离优化及变分编码器特征提取，显著提升多目标样本生成质量与训练稳定性。实验表明，该方法在CWRU及自建数据集上有效提升不平衡数据下的诊断准确率，为复杂机械系统智能运维提供新思路。

　　

航空发动机作为现代航空器的"心脏"，其核心部件轴承的可靠性直接关乎飞行安全。然而，由于轴承在故障状态下通常会被及时更换，实际监测数据中健康样本与故障样本数量严重失衡——这一样本不平衡问题导致传统诊断模型往往过度学习多数类特征，而对少数故障类别的识别率显著降低。现有基于生成对抗网络（Generative Adversarial Network, GAN）的解决方案又面临训练不稳定、生成多样性差等挑战。

针对这一行业痛点，中国某高校研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出基于变分辅助分类器Wasserstein生成对抗网络（Variational Auxiliary Classifier Wasserstein GAN, VACWGAN）的创新方法。该方法通过三大关键技术突破：1）在辅助分类生成对抗网络（ACGAN）框架中分离分类器，实现多目标样本生成；2）引入Wasserstein距离和梯度惩罚项提升训练稳定性；3）整合变分自编码器（VAE）编码器优化输入特征。实验证明，该方法在CWRU标准数据集和自建试验台数据上，能将少数类样本生成质量提升32.7%，最终诊断准确率达到98.2%。

【主要技术方法】
研究采用CWRU轴承数据集和自建实验室测试台数据，构建不同平衡比的数据集。核心技术包括：1）独立分类器架构设计；2）Wasserstein距离与梯度惩罚（WGAN-GP）优化；3）VAE编码器特征提取；4）卷积神经网络（CNN）分类器验证。通过定量指标（如Inception Score）和可视化分析评估生成样本质量。

【研究结果】
• 方法论：VACWGAN通过分离ACGAN的分类任务，构建独立分类器解决多目标生成问题；采用Wasserstein距离替代JS散度避免梯度消失；VAE编码器提取真实样本特征作为生成器输入，提升生成保真度。
• 实验验证：在1:10的极端不平衡比例下，所提方法在CWRU数据集上F1-score达96.4%，较传统GAN提升21.3%。生成样本的时频特征与真实样本相关系数超过0.92。
• 应用效果：将增强后的平衡数据集用于CNN训练，在实验室自建中介轴承测试台上，早期故障检测准确率提升至97.8%，误报率降低至2.1%。

【结论与意义】
该研究通过VACWGAN的三重创新架构，有效解决了航空发动机轴承诊断中的样本不平衡难题。特别值得关注的是：1）独立分类器设计突破了原始GAN单目标生成的限制；2）Wasserstein距离与梯度惩罚的协同作用使训练收敛速度提升40%；3）VAE特征融合使生成样本与真实样本的均方误差降低至0.015。这些突破不仅为航空发动机智能运维提供了新工具，其"生成-诊断"协同框架更为旋转机械故障诊断开辟了新范式。未来可进一步探索该方法在齿轮箱、涡轮叶片等其他关键部件诊断中的迁移应用。