基于谱归一化辅助分类器WGAN-GP的谐波减速器振动信号不平衡故障诊断

《Machines》：Imbalanced Fault Diagnosis of Harmonic Reducers Using Vibration Signals Based on an Auxiliary Classifier WGAN-GP with Spectral Normalization

　　# 摘要在基于振动的故障诊断中，类别不平衡现象十分常见，因为正常工况下的数据量通常远大于故障数据。本研究提出了一种带梯度惩罚和谱归一化的辅助分类器 Wasserstein 生成对抗网络（记为 ACWGAN-SG），用于故障样本的生成与数据集的渐进式增强。该方法融合了类别条件生成、Wasserstein 对抗学习、梯度惩罚、谱归一化以及基于 PCC-CS 的样本筛选技术。实验在公开的 CWRU 轴承数据集和一个自建的 12 类谐波减速器数据集上开展，下游诊断实验的类别平衡比覆盖范围从 1:100 到 1:1。CWRU 数据集和谐波减速器数据集的实验分别独立重复 5 次和 3 次。在类别平衡条件下，ACWGAN-SG 在两个数据集上的平均诊断准确率分别达到 98.40% 和 97.627%。在平衡比 BR = 1:2 的谐波减速器数据集上，该方法取得了 Macro-F1 为 94.298%、平衡准确率为 94.333%、MCC 为 0.9383 的性能。重复实验的统计分析表明，在不同平衡比下，各评估方法之间的整体差异显著。这些结果表明，所提出的样本生成与渐进增强流程在报告的实验设置下有效提升了下游诊断性能。