《Actuators》:Fault Diagnosis of Portal Crane Gearboxes Based on Improved CWGAN-GP and Multi-Task Learning
Yongsheng Yang,
Zuohuang Liao and
Heng Wang
编辑推荐:
为解决门座式起重机齿轮箱在样本不平衡条件下的多故障诊断难题,本研究提出了一种融合改进条件Wasserstein生成对抗网络(CWGAN-GP)与多任务学习(MTL)的联合诊断方法,在公开及港口数据集上平均准确率超97%,显著提升了诊断稳定性。
当起重机“生病”时:用AI解决“数据饥饿”与“多病同治”的难题
在繁忙的港口,门座式起重机(Gantry Crane)是装卸货物的“钢铁巨臂”,而其核心动力部件——齿轮箱,则是这巨臂的“关节”。长期重载、剧烈振动让齿轮和轴承极易“罢工”(故障)。更棘手的是,在真实工况中,设备大部分时间运行正常,采集到的故障样本极少且分布极不平衡(Class Imbalance)。这导致传统AI模型“偏科”严重:它只认识常见的“健康”信号,却难以识别罕见的“故障”特征,极易漏报。此外,工程中往往要求能同时诊断齿轮和轴承两种不同部件的故障(Multi-component Diagnosis),而现有方法多局限于单一部件或单一任务,缺乏协同诊断能力。
针对这一工业痛点,发表在《Actuators》上的论文《Fault Diagnosis of Portal Crane Gearboxes Based on Improved CWGAN-GP and Multi-Task Learning》提出了一套“组合拳”解决方案。该研究由Yongsheng Yang等人完成,巧妙地将改进的条件Wasserstein生成对抗网络(CWGAN-GP)与多任务学习(MTL)框架相结合,在公开数据集和港口真实数据上实现了平均超过97%的诊断准确率,为解决小样本、多故障诊断难题提供了新范式。
关键技术路径
研究团队构建了一套从“数据生成”到“特征融合”的完整技术链条:
- 1.
数据“造梦师”:改进的CWGAN-GP
针对故障样本稀缺问题,研究者没有采用简单的过采样,而是引入了“生成对抗”思想。他们在传统CWGAN-GP的基础上,为判别器(Discriminator)增加了辅助分类器,让生成器(Generator)在制造假数据时,不仅要骗过判别器(分布逼真),还要能被准确分类(类别清晰)。这种“双管齐下”的优化策略,确保了生成的少数类样本既真实又具有强判别性。
- 2.
特征“双通道”与“指挥家”:多模态融合网络
诊断网络设计极具巧思,构建了双通道输入:
- •
时空通道:利用短时傅里叶变换(STFT)将振动信号转为时频图,交由残差卷积网络(CNN)提取时频特征。
- •
时序通道:原始振动信号直接输入双向长短期记忆网络(Bi-LSTM)提取时间依赖特征。
最关键的一步是引入了注意力融合层(Attention Fusion Layer),它像一个“指挥家”,动态地分配两种特征的权重,实现自适应融合。
- 3.
知识“共享”:多任务学习(MTL)
模型并非简单地做“多分类”,而是采用多任务学习(MTL)框架。底层特征共享,顶层则分设“轴承诊断”和“齿轮诊断”两个专用分支。这种结构让模型在学习时能互相借鉴不同部件的特征,既提高了小样本下的学习效率,又避免了任务间的干扰(负迁移)。
研究结果速览
2.1. 改进CWGAN-GP网络的生成效果
通过定量评估生成样本的多样性和真实性(如JSD、MMD、1-NN等指标),验证了改进后的CWGAN-GP能有效缓解数据偏斜。生成的故障样本在特征空间中与真实样本高度重叠,为下游诊断提供了高质量的“训练燃料”。
2.2. 多任务诊断网络的性能验证
在平衡及不平衡数据集上的实验表明:
- •
高精度:所提方法平均诊断准确率显著高于传统SVM、1D-CNN等基线模型。
- •
抗噪性:在信噪比(SNR)较低(如-4 dB)的强噪声环境下,仍能保持较高的识别率,展现了工业级鲁棒性。
- •
消融实验:移除注意力机制或改为单任务学习后,准确率明显下降,证明了多模态融合与MTL架构的必要性。
结论与展望
这项研究不仅是一篇算法论文,更是一次面向工业落地的工程化探索。它证实了生成式数据增强与多任务联合建模在机械故障诊断中的巨大潜力。通过CWGAN-GP“造数据”,解决了“巧妇难为无米之炊”的样本困境;通过多通道注意力网络“融特征”,解决了复杂信号表征难的问题;通过MTL“分任务”,实现了多部件故障的协同诊断。
对于港口、风电等依赖大型传动设备的行业而言,该技术意味着能在不增加传感器成本的前提下,仅通过算法升级,大幅提升设备预警的及时性与可靠性,减少非计划停机带来的巨大经济损失。未来,随着边缘计算的发展,这种轻量化且高效的诊断模型有望直接部署在设备端,实现真正的“无人值守”智能运维。