一种新颖的先验引导个性特征畸变生成对抗网络用于机械系统少样本故障诊断

《Engineering Applications of Artificial Intelligence》：A novel prior-guided personality-feature distortion generative adversarial network for few-shot fault diagnosis of mechanical system

　　摘要基于深度学习故障诊断面临的一个主要挑战是健康样本丰富而故障样本稀缺之间的严重不平衡。尽管生成对抗网络（GANs）在少数类增强方面显示出潜力，但它们学习的是从随机噪声到目标分布的直接映射。一旦目标域样本极度稀缺，这些方法便无法准确刻画目标分布，导致样本生成效果不佳。为解决这一问题，本文提出了一种新颖的先验引导的个性特征畸变生成对抗网络（PPFDGAN），用于小样本生成，将生成范式从随机噪声驱动转变为先验引导的个性特征驱动。具体而言，设计了一个局部个性特征畸变模块（LPFDM），将故障信号解耦为故障内在特征和故障个性特征。前者代表相对域稳定且具有类别判别性的成分，决定故障类别；后者则表征依赖条件的类内变异而不改变故障标签。与试图对齐整体源-目标特征分布的传统域迁移方法，或从随机噪声中采样的基于GAN的增强方法不同，LPFDM将目标域样本的故障内在特征保留为语义锚点，同时选择性地在源域引导下畸变其故障个性特征，从而构建一个接近目标分布的先验结构化生成器输入空间。此外，引入了一种基于辅助分类器的对抗策略，以施加显式语义约束抑制类别漂移。在信噪比（SNR）为?1 dB（dB）的10类2样本和10类5样本小样本诊断任务中，所提出的框架实现了90.70%和96.18%的平均F1分数，分别优于最佳小样本基线4.74%和5.92%，以及最佳基于GAN的对比方法31.57%和32.06%。引言目前，深度学习在智能故障诊断中已日益普及（Chen等，2024a；Zhao和Wang，2025）。受益于强大的特征提取和分类能力，基于深度学习的诊断方法能够从收集的高维非线性监测数据中自动提取和选择与故障类别相关的判别性特征，从而显著提高诊断精度（Wang等，2025a；Siddique等，2025；Li等，2024）。然而，传统深度学习方法的成功在很大程度上依赖于大量训练样本的可用性。不幸的是，在实际工程中，获取充足的故障样本往往极其困难。这主要是因为随着机械可靠性和制造质量的持续提升，复杂设备在大多数时间处于健康状态，很少出现故障状况。这种运行模式本质上限制了故障数据的收集，导致故障样本严重稀缺。在故障样本不足的情况下，深度模型无法得到充分优化，常常表现出较差的诊断性能。已证实故障样本的缺乏对基于深度学习的故障诊断模型产生严重的负面影响（He等，2025）。在本研究中，小样本故障诊断指目标域中每个故障类别仅包含K个（K非常小，例如1、2、5等）可用样本，而健康类别相对充足，诊断模型应利用这些较少的故障样本来建立。为方便起见，这种设置称为C类K样本诊断任务，其中C表示故障类别的总数，K表示每个故障类别可用的标注样本数。因此，提高小样本诊断精度对于实际工程中复杂设备的智能运维具有深远意义。已开发了许多小样本故障诊断方法，大致可分为三类：基于迁移学习（TL）的方法、基于域生成（DG）的方法和基于数据增强（DA）的方法。首先，基于TL的诊断方法利用相关或相似任务（称为源域）的大量数据，通过知识迁移来缓解目标域中故障样本的稀缺性。代表性方法主要包括预训练与微调、域自适应和元迁移学习。例如，Singh等（2025）提出了一种将迁移学习与域自适应相结合的小样本诊断模型。通过从具有丰富故障记录的部件中迁移知识并结合微调策略，该方法有效克服了故障样本有限的挑战。Sun等（2025）开发了一种专为噪声通用域自适应而设计的多分支卷积神经网络，通过优化分类器差异成功对齐了源域和目标域分布。Tang等（2023）设计了一种轻量级迁移学习网络，引入最大均值差异（MMD）对齐机制，在变工况下实现了精确的跨域轴承故障诊断。在文献（Ma等，2026）中，开发了一种混合诊断框架，利用增强的元迁移学习架构来弥补物理信息的缺乏，从而在小样本条件下实现稳定的跨域知识迁移。上述研究证明了基于TL的方法（如预训练/微调和域自适应）在解决小样本故障诊断问题方面的有效性。然而，将这些方法应用于实际工程场景时仍存在一些固有局限。一方面，基于微调或域自适应的方法的诊断性能在很大程度上受源域和目标域之间分布差异的制约。也就是说，如果域偏移较大或源数据包含复杂噪声，这些方法在强制特征对齐或微调过程中容易产生负迁移，最终降低目标域中的诊断精度。另一方面，基于元迁移学习的诊断方法通常需要预先在源域中构建足够多且多样的元任务。这些元任务与目标任务的相关性在很大程度上决定了知识迁移的有效性；然而，在实际工程中构建如此高质量的元任务集往往不切实际。为克服迁移学习面临的挑战，基于DG的方法在训练过程中不需要目标域数据，已引起越来越多的关注。与依赖目标域数据进行分布对齐的方法不同，基于DG的诊断方法旨在从多个已知源域中学习可迁移知识。通过结合对抗学习、元学习和数据增强等训练策略，这些方法鼓励深度模型捕获跨域的域不变特征。这有效避免了强制对齐常引发的负迁移风险，从而使训练好的诊断模型能够直接泛化到未知工况或新故障模式下的目标任务。例如，Sun等（2026）提出了一种通过变分数据增强的局部域泛化方法（PDGDA）。通过设计对比策略并利用余弦相似度衡量域间分布差异，可以有效识别并消除冗余样本，从而增强模型在目标域的泛化能力。Yuan等（2010）提出了一种针对复杂工况的仿真驱动多源域泛化框架，首先利用老化机制模型生成多源故障数据，然后结合时间非线性变换和域对抗残差网络提取不变故障特征，在不同电池类型间实现了高度鲁棒的诊断。为解决现有方法依赖丰富源域标签的局限性，Ren等（2026）提出了特征语义对齐网络（FSANet）。通过构建类别感知原型来对齐后验概率和伪标签，并采用一致性正则化引导类内聚合，该方法显著提高了在未知工况和有限标签下旋转机械的诊断性能。Wei等（2025）设计了一个领域知识引导的伪标签生成框架，其中采用分布式特征扩展策略来增强特征空间的统计特性，从而有效缓解由特征偏移引起的误差累积，实现了高精度的半监督跨域故障诊断。上述研究表明，基于DG的诊断方法通过探索域不变表示，在未知工况下的智能故障诊断任务中具有显著优势。然而，这些方法仍面临严重局限。一方面，大多数DG框架的成功高度依赖于预先获取充足且分布多样的多源域数据集，而在数据采集成本过高的工业场景中，这往往不可行。另一方面，当未知目标域的数据分布与可用源域分布偏差极大时，训练好的模型可能仍对此类严重分布偏移高度敏感，从而限制了其泛化能力。基于以上分析，虽然基于TL和DG的诊断方法在一定程度上缓解了小样本故障诊断问题，但它们仍具有固有局限。与迁移学习和域泛化不同，基于DA的方法不依赖于源-目标相似性或多样域训练。相反，它们通过变换、合成或生成新样本来直接扩充少数类故障样本的数量，从而平衡类别分布，更有效地解决小样本问题。近年来，许多数据增强方法相继被开发，大致可分为基于数据采样和基于数据生成两类。尽管基于数据采样的方法可以增加少数类故障样本的数量，但它们通常通过简单的复制或插值技术合成新样本，而未考虑底层样本分布。这导致生成样本的多样性不足，并且在获取新知识方面存在局限。相比之下，数据生成技术从原始数据中学习分布特性，并生成具有更大随机性和更高新知识扩展潜力的新样本，因此在处理复杂数据分布时更为有效。生成式人工智能的最新进展进一步证明了生成模型在缓解数据稀缺和支持多种应用场景中智能数据生成方面的潜力。Xu等（Xu等，2026）提出了一种基于生成式AI的肝脏重建框架，将条件扩散模型与图神经网络相结合，生成合成CT图像以缓解标注医学数据的稀缺性并支持三维重建。在文献（Jiang等，2025）中，系统研究了生成式AI在消费物联网系统中的应用，展示了其在数据处理和内容生成方面的潜力，同时突出了低延迟、带宽效率和隐私保护等实际优势。作为生成式AI的典型代表，GAN及其变体目前是使用最广泛的生成模型，已广泛应用于小样本故障诊断，以生成大量新故障样本来增强少数故障类别，从而促进鲁棒诊断分类器的训练。通常，生成对抗网络（GAN）由生成器和判别器组成，二者通过对抗优化，使生成器逐步学习生成分布接近真实数据的合成样本（Goodfellow等，2014）。GAN及其变体目前是使用最广泛的生成模型，已广泛应用于小样本故障诊断，以生成大量新故障样本来增强少数故障类别，从而促进鲁棒诊断分类器的训练。例如，Ming等（2026）提出了一种物理增强生成对抗网络（PEGAN），通过整合物理信息实现了高保真数据生成；随后，生成的可用样本被用于扩充训练集，显著提高了深度模型在小样本条件下的故障分类精度。在文献（Chen等，2024b）中，开发了一种平衡调谐CNN-Transformer生成对抗网络（BCTGAN），通过结合CNN和Transformer的优势实现高质量数据增强，有效减轻了离群值对决策边界的影响，显著提高了复杂工况下小样本故障的诊断精度。Wang等（2025b）提出了一种多路径对齐生成对抗网络（MPAGAN），基于多路径对齐机制实现了高度判别性和多样性的样本生成。在文献（Dai等，2023）中，开发了一种连续生成对抗网络（Con-GAN），用于生成现有信号的连续片段。生成的样本具有增强的时间有效性和多样性，随后用于训练深度模型，有效缓解了极端小样本条件下诊断模型的过拟合问题。Cao等（2026）提出了一种因果生成对抗变分自编码器（C-GAN-VAE）用于数据增强，显著增强了模型在数据受限条件下跨域和跨机器小样本故障诊断的泛化能力。Yi等（2026）提出了一种多尺度密集残差收缩生成对抗网络（MDRS-GAN），将多尺度特征融合与时频域关键特征的有效提取相结合，有效应对了极端小样本条件和严重类别不平衡的挑战。上述研究工作展示了生成对抗网络（GANs）在小样本故障诊断领域的可行性和有效性，且上述各类GAN均展现出了良好的故障样本生成能力。值得注意的是，由于GAN本质上是深度神经网络，生成样本的质量取决于训练样本的数量。可以观察到，在上述基于GAN的诊断方法中，用于训练GAN的原始故障样本数量一般每类超过20个。如果GAN使用少量训练样本进行训练，则会出现过拟合或模式崩溃，导致生成样本质量严重下降。在这种情况下，使用此类生成的新样本来扩充少数类故障类别，对诊断任务几乎不会带来改善，甚至可能产生负面影响。需要指出的是，在许多小样本故障诊断场景中，可用的原始故障样本非常有限，例如每个故障类别仅有3个或5个样本。因此，有必要解决GAN严重依赖训练样本数量的问题。

当前的基于GAN的方法主要依赖于生成器和判别器之间的对抗训练，使生成样本的分布逐渐逼近原始样本的分布，从而生成新样本。需要指出的是，在大多数现有基于GAN的模型中，生成器以无结构的随机噪声或随机噪声与类别标签拼接作为初始化输入。在极端小样本条件下，这种无结构输入分布与目标域故障分布之间的显著差异使得噪声到数据的映射特别难以学习。此外，仅有少量可用的目标域故障样本不足以让判别器可靠地表征潜在的目标分布，这增加了过拟合、对抗优化不稳定和模式崩溃的风险。因此，生成的样本可能表现出有限的类内多样性或偏离预期的故障类别。引入源域信息提供了一种缓解目标域数据稀缺的潜在途径，但也给跨域小样本设置带来了额外的挑战。当源域和目标域之间存在显著的分布差异时，直接迁移源域特征或全局对齐两个分布可能会引入与目标任务无关的源域特有变化，从而增加负迁移的风险。同时，不加区分的特征迁移可能抑制目标域特有的类内变化，而类别语义约束不足则可能在生成过程中导致类别漂移。因此，简单地引入丰富的源域信息并不一定能保证对稀缺目标域故障样本的有效扩充。

从这个角度来看，减少初始生成器输入与目标域分布之间的差异，同时选择性地利用可迁移的源域变化，为跨域小样本生成提供了一种更合适的策略。如果生成器输入由与目标域分布相关的结构化分量构成，而不是完全由无结构随机噪声构成，则生成器可以从一个信息量更丰富的采样空间出发，从而降低在有限样本条件下学习目标分布的难度（Sifat等，2025）。因此，一个有效的跨域小样本生成器应选择性地利用源域的类内多样性，而不强制进行全局的源-目标分布对齐，同时保留目标域样本的类别相关表示，并在生成过程中显式地约束语义漂移。

受上述分析启发，与主流基于GAN的方法直接从未结构随机噪声空间采样不同，本文从输入空间分布对齐的角度重新表述了数据生成问题。本文不是完全从噪声中学习目标分布，而是显式地重构生成器的输入空间，使其在对抗训练之前就已表现出接近目标域数据流形的统计特性。在小样本场景下，目标域主要面临样本不足难以刻画丰富的类内多样性的问题，而潜在的故障内在结构基本得以保留。尽管源域和目标域之间存在域偏移，但源域提供了丰富的个性特征变化实现。这一观察结果启发了本文的核心假设：如果目标样本的故障内在结构被严格保留，则可以通过从源域迁移个性特征变化来有效补偿目标域缺失的多样性。

基于这一见解，本文旨在将源域的个性多样性注入目标域的故障内在骨干中，从而将基于GAN的样本生成过程从噪声到样本的映射重构为先验引导的进化重组过程，即构建一个预结构化的生成器输入空间，该空间已经接近目标域分布。这种设计显著降低了对抗学习的优化负担，并缓解了对大规模目标域样本的强依赖。

为实现上述目标，本文提出了一种新的GAN变体，即先验引导的个性特征变形生成对抗网络（PPFDGAN），它将生成器的采样机制从随机噪声驱动的生成范式转变为先验引导的个性特征驱动的生成范式，以增强GAN在极端小样本条件下的数据生成能力，最终目标是为少数类生成高质量的故障样本并提高小样本故障诊断性能。这里，“先验引导”是指利用同类源域样本的经验类内变化作为数据推导的结构先验，而不是仅依赖无结构随机噪声；而“个性特征变形”是指对目标域表示中个性相关分量进行受控修改，其类别相关表示作为语义锚点予以保留。具体而言，设计了局部个性特征变形模块，将丰富的源域个性分布注入目标域样本，同时保持其故障内在特征不变，从而重构一个在分布上接近目标域且具有足够多样性的生成器输入空间。这种流形感知的输入空间重构显著降低了对抗学习的优化负担，并缓解了对大规模目标域样本的依赖。此外，设计了基于辅助分类器的对抗训练策略，对变形过程施加显式的语义约束，防止类别漂移，确保生成样本的严格类别不变性。在轴承和齿轮箱故障数据集上进行的大量实验表明，所提出的PPFDGAN能够生成高保真、多样且类别一致的合成故障样本，从而在高噪声和极端数据有限条件下显著提高小样本诊断性能。代码和实验数据可在 https://github.com/syan33607-sudo/PPFDGAN-Fault-Diagnosis 获取。本工作的主要贡献总结如下。

（1）提出了一种新颖的PPFDGAN框架，用于在极端小样本条件下生成高保真故障样本。与传统的基于GAN的方法直接学习从无信息随机噪声到目标分布的映射不同，所提出的PPFDGAN在对抗训练之前重构生成器的输入空间。通过构建一个固有接近目标域故障流形的预结构化采样空间，所提出的PPFDGAN减少了采样空间与目标分布之间的结构失配，从而缓解了极端小样本条件下GAN训练的优化难度和对目标数据的依赖。

（2）开发了一种先验引导的局部个性特征变形机制，以构建一个多样但保持故障特征的生成器输入空间。所提出的LPFDM从概念上将故障信号分解为故障内在特征和故障个性特征。将源域丰富的个性特征变化注入目标域故障样本，以补偿缺失的类内多样性，同时保留故障内在特征以维持类别语义。该机制使生成器能够探索更广泛但保持故障特征的数据流形，而不是从未结构噪声分布中盲目采样。

（3）设计了一种基于辅助分类器的对抗正则化策略，以抑制特征变形过程中的类别漂移。由于源域个性变化在迁移到目标域样本时可能引入语义偏差，因此将辅助分类器集成到判别器中以施加显式的类别级约束。该策略强制生成样本与其原始故障类别之间的一致性，确保严格的类别不变性，并提高合成样本对下游故障诊断的可靠性。

（4）进行了广泛的小样本诊断实验，以揭示PPFDGAN的有效性和关键发现。在高噪声和极端样本有限条件下对轴承和齿轮箱数据集进行的实验表明，PPFDGAN能够生成高保真、丰富多样且严格类别一致的合成故障样本。结果进一步表明，输入空间重构和个性特征变形对于改善少数类扩充和小样本诊断性能至关重要，尤其是在目标域故障样本严重稀缺的情况下。

本文的其余部分组织如下。第2节介绍了问题表述，以及整体小样本故障诊断框架，包括所开发的PPFDGAN的详细架构和优化目标。第3节描述了在轴承和齿轮箱数据集上进行的实验设置和对比实验，以验证优异的小样本诊断性能，随后进行详细的结果分析和讨论。最后，第4节给出了本研究的结论和未来工作。

章节片段

问题表述与假设

（1）问题表述。本文考虑目标域中的小样本故障诊断问题，其中正常类与多个故障类之间存在高度不平衡。设完全标注的源域数据集为 ????={(??????,??????)}??????=1～????(??,??)，目标域有标签训练集为 ????????=??????????∪??????????????～????(??,??)，其中 ??????????={(??????,0)}??????????=1 表示充足的正样本，??????????????=?????=1(??????,??,??)????=1 表示故障样本，包含 ?? 个故障类别，每个类别有 ?? 个样本。

实验

在本节中，进行了两个实验案例以验证所开发的PPFDGAN的有效性和泛化能力。所有实验均在配备Intel Core i7-12700H CPU、16 GB内存和NVIDIA GeForce RTX 3060 Laptop GPU（6 GB显存）的工作站上，使用Python 3.12.11和PyTorch 2.5.1实现。工作站运行Windows 11系统，CUDA版本为12.1。除非另有说明，每个实验独立重复十次，报告均值和标准差。

结论

本文开发了一种新颖的先验引导个性特征变形生成对抗网络（PPFDGAN）用于小样本故障诊断，该网络生成高保真且多样化的合成故障样本来扩充少数类故障类别，从而在小样本条件下实现更高的诊断精度。更具体地说，PPFDGAN构建了一个预结构化特征空间，该空间在分布上接近目标域且对生成器采样具有足够的多样性。

CRediT作者贡献声明

宋福：写作-审阅与编辑，方法论，基金获取。严世鑫：写作-初稿，验证。林林：项目管理，概念化。王月：写作-审阅与编辑，概念化。刘丹：可视化，数据管理。赵明航：验证，形式分析，数据管理。刘益坤：验证，资源。

利益冲突声明

作者声明，他们不存在任何已知的竞争经济利益或个人关系，这些关系可能影响本文所报告的工作。

致谢

作者感谢国家自然科学基金（No. 52575618）、国家自然科学基金（No. 52305570）、国家自然科学基金（No. 52675638）、空间智能控制全国重点实验室资助（HTKJ2025KL502024）以及黑龙江省自然科学基金联合引导项目（LH2024F014）对本文的支持。

宋福|严世鑫|林林|王月|刘丹|赵明航|刘益坤