摘要
旋转机械的故障诊断对于确保工业设备的可靠和安全运行至关重要。然而，不平衡的训练数据往往使智能诊断模型偏向多数类，导致对少数故障的表征不足。此外，振动信号的高维度和冗余性使得提取判别特征和保留有意义的邻域结构变得困难，从而降低了诊断性能。为解决这些挑战，提出了一种用于旋转机械不平衡故障诊断的波形预测增强和深度流形学习模型。首先，利用非线性自回归神经网络（NARNN）通过时间序列预测对少数类故障信号进行增强，从而在数据层面缓解类别不平衡问题。随后，提出了一种深度流形特征映射（DMAP）来提取判别性故障特征。在 DMAP 中，采用堆叠自编码器（SAE）对训练样本进行初步特征提取，并获得深度潜在特征表示。SAE 提取的深度特征进一步利用动态时间规整（DTW）辅助的流形学习方法进行降维处理。在此过程中，DTW 用于计算深度表示之间的成对不相似度并构建邻域图，从而更好地保留深度特征的局部邻域关系和拓扑结构，并产生更具判别性的低维表示。最后，采用 k-近邻分类器进行故障分类。通过整合数据增强、深度特征学习和流形降维，所提出的模型有效提高了不平衡场景下的故障诊断性能。在轴承和行星齿轮箱数据集上的实验表明，在不平衡比为 0.1 的情况下，所提方法分别将诊断准确率提高了 10.2 和 1.6 个百分点。对比结果进一步证实了其在缓解类别不平衡导致的诊断困难方面的有效性。
