基于改进Wasserstein生成对抗网络（IWGAN）的轴承噪声环境下半监督故障诊断方法研究

针对工业场景中轴承故障诊断面临的标记样本稀缺和噪声干扰难题，本研究提出基于改进Wasserstein生成对抗网络（IWGAN）的半监督方法，融合CNN-Transformer混合生成器和动态稀疏注意力机制（DSAM），通过连续小波变换（CWT）降噪与新型损失函数设计，在噪声环境和有限标记数据条件下实现94.7%的诊断准确率，为智能运维提供创新解决方案。

　　

在机械系统的心脏地带，轴承如同精密的齿轮，其微小故障可能引发连锁反应。然而现实工业场景中，嘈杂的噪声如同迷雾笼罩振动信号，而标记故障样本的获取成本堪比淘金——这正是轴承故障诊断领域长期存在的双重困境。传统依赖专家经验的诊断方法在非平稳信号面前捉襟见肘，而深度学习的饕餮数据需求又遭遇标记样本稀缺的硬约束。更棘手的是，环境噪声不仅掩盖故障特征，还会诱导模型陷入过拟合的泥潭。面对这些挑战，新疆大学的研究团队在《Neurocomputing》发表的研究中，构建了一个名为IWGAN的智能诊断框架，通过半监督学习策略巧妙化解了数据困境，在强噪声干扰下仍保持94.2%的稳定准确率。

研究团队采用连续小波变换（CWT）进行信号降噪预处理，随后构建包含双生成器的改进Wasserstein生成对抗网络（IWGAN）。核心创新在于生成器采用CNN-Transformer混合架构，既能通过卷积捕捉局部故障特征，又利用自注意力机制把握全局模式；判别器引入动态稀疏注意力机制（DSAM）自适应过滤噪声。训练阶段融合少量标记样本与海量无标记数据，通过新型损失函数实现监督与无监督学习的协同优化。实验数据来自凯斯西储大学（CWRU）轴承数据集，模拟了0-20dB信噪比的工业噪声环境。

模型构建
通过对比Morlet、Mexican Hat等小波基函数，最终选择时频分辨率最优的Morlet小波进行信号分解。生成器采用残差结构堆叠的CNN-Transformer混合模块，其中Transformer层设置8个注意力头以平衡计算效率与特征捕获能力。判别器的DSAM模块通过可学习阈值实现特征动态剪枝，噪声抑制效率提升37.6%。

实验结果
在信噪比10dB的强噪声条件下，IWGAN对滚动体故障的识别准确率达93.8%，显著优于传统DRSN-CW模型的81.4%。消融实验显示，移除DSAM会使外圈故障诊断F1值下降12.3个百分点，证实其噪声鲁棒性。半监督策略使模型仅用5%标记样本即达到全监督90%的性能，数据利用率提升19倍。

结论与展望
该研究开创性地将Wasserstein距离度量与半监督学习相结合，构建的IWGAN框架在噪声免疫和少样本学习方面展现出双重优势。特别是DSAM机制对高频噪声的滤除效果，为工业设备在线监测提供了新范式。未来研究可探索多模态传感器数据融合，进一步提升复杂工况下的诊断泛化能力。值得关注的是，该模型训练过程需保持生成器与判别器的能力平衡，当判别器准确率超过85%时需动态调整学习率以防止模式崩溃——这一发现为GAN在工业场景的应用提供了重要调参经验。