（综述）基于遗传神经网络的不平衡故障诊断技术综述

论文题目Review of imbalanced fault diagnosis technology basedon generative adversarial networks基于遗传神经网络的不平衡故障诊断技术综述期刊Journal of Computational Design and Engineering 工程技术 中科院二区摘要在工业生产领域机器故障不仅对生产效率和产品质量造成负面影响还会导致安全事故的发生因此及时准确地诊断机器故障并采取相应的措施至关重要。然而Mac Hines不能在长时间的故障下运行而且故障模式的分散性导致数据收集有限这给建立准确的故障预测模型带来了挑战。尽管最近取得了一些进展但基于传统采样和机器学习的智能故障诊断方法已显示出不可比拟的优势。尽管如此这些方法依赖于人类的专业知识这给提取复杂特征信息带来了挑战。为了应对这些挑战出现了许多基于产生式辅助网络的不平衡故障诊断方法产生式辅助网络可以生成符合原始数据分布的真实样本在诊断轴承和齿轮等关键部件的不平衡方面显示出良好的结果尽管GAN方法具有巨大的潜力但它也面临着挑战包括训练和生成异常样本的困难。然而无论是GaN基重采样技术还是传统采样技术在小样本中对含噪声不平衡、类内和类间对偶不平衡、多类不平衡、时间序列不平衡等问题的研究较少缺乏对不平衡问题的解决方案进行较为全面的总结。因此本文的目的是深入探讨各种失效模式下的不平衡问题并在此基础上对基于GANS的研究方法和结果进行考察和分析。提出了今后的研究方向旨在为工业生产维修领域的研究提供指导和参考。深度解读基于生成对抗网络的不平衡故障诊断技术综述一、背景工业故障诊断为什么难在现代工业生产中机械设备一旦发生故障轻则影响产品质量与生产效率重则引发安全事故。因此准确、及时地诊断机械故障是工业智能化的核心需求之一。然而故障诊断的数据基础天然存在缺陷——设备大多数时间运行正常真正的故障状态数据极为稀少。这就造成了训练深度学习模型时绕不开的难题正常样本数量远远多于故障样本不同故障类型之间数据量差异悬殊某些严重故障如轴承外圈剥落晚期样本数量极端稀缺这种现象被称为数据不平衡问题Data Imbalance。传统的深度学习分类模型如CNN在这种数据上训练会天然倾向于预测多数类正常状态导致对少数类故障状态的识别率极低——而这恰恰是工程实践中代价最高的错误。本文是发表于Journal of Computational Design and Engineering2024年的一篇系统综述首次从多种复杂不平衡场景的角度对基于生成对抗网络GAN的故障诊断方法进行了全面梳理与展望。二、现有方法及其局限性2.1 传统应对思路重采样处理不平衡数据的经典方法分为三大类方法类型核心思路代表算法欠采样减少多数类样本随机欠采样过采样增加少数类样本SMOTE、ADASYN、Borderline-SMOTE混合采样欠采样与过采样结合SMOTEENN等其中SMOTE合成少数类过采样技术是最具代表性的方法在少数类样本的邻域内进行线性插值生成新的合成样本。然而SMOTE 有本质局限它是基于插值的策略只能在已有样本点之间生成中间样本无法捕捉原始样本的整体概率分布。实践中常出现以下问题过泛化生成样本分布过于平滑模糊了真实的类别边界样本重叠在多类场景下合成样本可能侵入其他类别的特征空间噪声引入对边界样本、噪声样本同样进行插值放大了噪声的影响忽略边界样本无法有效处理靠近决策边界的关键样本此外特征选择和加权损失函数方法虽然无需改变数据量但前者流程复杂且可能丢失信息后者对权重超参数极度敏感在极端不平衡场景下效果有限。2.2 深度生成模型的兴起近年来以变分自编码器VAE和生成对抗网络GAN为代表的深度生成模型为过采样提供了全新思路网络合成方法更为复杂但生成样本的真实性和多样性显著更高GAN通过对抗训练能够学习原始数据的高维概率分布从而生成更贴近真实故障特征的伪样本值得注意的是近期兴起的扩散模型Diffusion Model也被尝试用于不平衡故障诊断但论文指出其在小样本场景下适用性尚未充分验证且采样速度远慢于GAN和VAE。三、GAN基本原理【图2— GAN的基本结构示意图生成器G、判别器D、真实样本与生成样本的对抗流程】GAN由 Goodfellow 等人于2014年提出核心思想是两个网络的对抗博弈生成器 GGenerator接收随机噪声 z学习将其映射为与真实样本分布相似的数据判别器 DDiscriminator接收输入数据判断其是真实样本还是生成样本输出概率值0~1理想收敛时为0.5两者的训练目标形成零和博弈数学上表达为通过反复迭代生成器生成的数据越来越真实最终能够生成符合原始故障数据分布的高质量伪样本。这种能力使得GAN成为故障诊断领域解决不平衡问题的强力工具。【图1— 2014年至2024年7月GAN在故障诊断领域相关论文发表趋势图2023年峰值约80篇】四、复杂不平衡数据的四种形态本文的重要贡献之一是系统梳理了工业场景中四类有别于简单二类不平衡的复杂不平衡问题。4.1 小样本下的噪声不平衡噪声样本与正常样本差异显著在训练数据中混入噪声会严重拖慢收敛速度甚至导致模型无法收敛。小样本场景下随机误差更容易被放大为伪类别特征。常用的噪声识别方法包括k-NN距离法Borderline-SMOTE若样本的k个最近邻与其类别不符判定为噪声欧氏距离密度法距类中心距离大且同类邻居密度小的样本视为噪声K-means SMOTE聚类分割若子簇内多数类数量超过少数类则该子簇的少数类样本被标记为噪声【图3— 三种主流噪声划分方法示意图】4.2 类内与类间双重不平衡类间不平衡Inter-class Imbalance是故障诊断中最常见的形式不同故障类型之间的样本数量差异悬殊。类内不平衡Intra-class Imbalance则更为隐蔽同一种故障类型内部由于转速变化、负载差异数据在特征空间中形成多个子簇且各子簇大小不一。例如同为轴承外圈故障轻微故障阶段样本多严重故障阶段样本极少但二者同属一个类别标签。多类不平衡Multi-class Imbalance则是两者的叠加多种故障同时存在部分故障类别样本量远低于正常样本且少数类之间也存在不平衡极易发生类别重叠。【图4— 类内不平衡、类间不平衡与多类不平衡的示意图】4.3 振动信号的时序不平衡振动信号本质是时间序列数据可形式化表示为其中每个样本包含 t 个时间点的观测值。时序不平衡主要体现在不同故障类型在时间轴上出现频率不同不同时间节点故障初期 vs 末期的数据量悬殊长期预测与短期预测数据比例不匹配如设备全生命周期中某一退化阶段数据极少【图5— PHM2010铣刀磨损退化数据集C4刀具全生命周期振动信号退化趋势图展示时序不平衡】五、GAN变体家族与学习范式论文按学习范式将GAN变体分为三大类构建了清晰的分类体系。5.1 无监督学习GAN【表1— 不同学习范式的GAN模型结构对比图含结构示意与代表文献】原始GANVanilla GAN存在训练不稳定、梯度消失、模式崩溃等问题。在小样本不平衡场景下这些问题会被进一步放大。主要改进方向包括DCGAN引入卷积结构提升训练稳定性和生成质量将二维卷积替换为一维卷积更适合振动信号的时序数据生成VAEGAN融合VAE的编码器与GAN的生成器通过将真实数据压缩到隐空间再采样为GAN提供更可靠的隐向量输入还可结合自注意力机制进一步提升生成质量BiGAN引入双向结构将真实数据的编码向量与真实数据组合后送入判别器已在工业机器人故障诊断和3D打印机故障诊断中展示了良好效果CycleGAN学习两个样本域之间的数据映射关系循环一致性损失保证生成样本保留源域特征广泛用于滚动轴承故障诊断和工业故障数据增强WGAN / WGAN-GP将分布距离度量从JS散度改为Wasserstein距离显著提升训练稳定性和生成样本质量WGAN-GP在此基础上增加梯度惩罚项进一步约束判别器满足Lipschitz连续性条件5.2 有监督学习GANCGAN条件GAN在生成器和判别器的输入层中拼接类别标签使模型能够定向生成特定故障类型的样本目标函数为其中 y 为类别条件标签。代表应用包括CDCGAN结合DCGAN结构和类别标签精准捕捉原始振动数据的真实分布CGAN Wasserstein距离用于冷水机故障诊断生成数据多样性和平衡性显著提升CGAN WGAN-GP多篇文献Li et al.2022、Yan et al.2022等采用此组合大幅提升诊断性能5.3 半监督学习GANSSGAN半监督GAN判别器兼作多类分类器同时接受真实类别标签适合标注样本极少、无标签数据丰富的场景ACGAN辅助分类器GAN在判别器中增加辅助分类器同时输出真伪判别和类别信息可视为CGAN与SSGAN的混合体已广泛用于旋转机械故障诊断【表2— 各GAN变体及其组合的完整索引表含学习范式、模型结构、参考文献】六、数据形式与网络结构的适配选择工业故障诊断涉及多种数据来源GAN需要针对不同数据形式选择适配的网络结构。6.1 四类输入数据形式表3— 不同数据输入形式一维时域/频域/特征集/图像对应参考文献汇总】一维时域数据最原始的传感器数据信息最完整但维度高、特征复杂一维频域数据经FFT变换后得到频域特征更明显但会丢失部分时域信息一维特征集手动或网络提取的统计特征均值、方差、峭度、偏度等维度低图像数据包括直接采集的图像以及将时序信号转换为二维图像的形式6.2 时序转图像的多种路径论文系统梳理了将一维时序信号转为二维图像的方法体系图6— 时序数据转图像的原理示意图含FFT重组、STFT时频图、小波变换等路径】直接重组将长度为的时序信号重塑为的矩阵并按以下公式归一化到0-255灰度值STFT时频谱图短时傅里叶变换同时呈现时域和频域信息小波变换系数矩阵CWT/DWT适合捕捉非平稳信号的多尺度特征Stockwell变换生成时频域二维图像保留相位信息Gramian角场、Markov转移场将时序的统计关系编码为图像6.3 GAN内部网络结构的选择网络结构适用场景特点线性全连接网络低维特征集、频域数据简单直接表达能力有限一维卷积1D-CNN时域或频域序列保留原始特征局部模式提取能力强二维卷积2D-CNN图像形式数据图像处理能力强表征故障特征直观RNN / LSTM / GRU时序数据长期依赖记忆机制强但训练时间长Transformer长序列、全局依赖并行计算高效精度优于RNNTTS-GAN可生成任意长度时序6.4 各类模型的资源消耗对比表4— 不同模型SMOTE/CNN/RNN/VAE/GAN/扩散模型的计算复杂度、资源需求、训练时间与数据特性对比】核心结论GAN的计算复杂度高、资源需求大、训练时间长但在生成高质量、多样性合成数据方面具有独特优势特别适合复杂高维不平衡数据场景。VAE速度更快但生成质量较低扩散模型生成图像质量更高但采样时间显著更长。七、GAN用于工业故障诊断的通用框架图7— 基于GAN的工业故障信号处理完整流程图三步骤提取训练/测试集 → 训练GAN扩充数据 → 训练分类器进行故障诊断】论文将GAN用于工业不平衡故障诊断的通用流程归纳为三个步骤Step 1提取训练集与测试集从实验室设备或工业现场传感器采集振动信号使用滑动窗口或重叠采样进行分割转换为时域、频域、时频域或图像格式Step 2训练GAN网络并扩充数据针对少数类故障样本训练GAN学习其数据分布生成高质量伪样本平衡训练集的类别分布对生成样本进行质量评估与筛选如KL散度、MMD、Pearson相关系数等指标Step 3训练分类器进行故障诊断使用平衡后的数据集训练分类器CNN、SVM、随机森林、LSTM、Transformer等识别故障类型正常/内圈/外圈/滚动体等判断故障严重程度初始/中期/严重阶段以及工具磨损阶段等关键技术增强手段研究者们在GAN基础框架上叠加了多种提升技术注意力机制帮助GAN从时序或图像中捕捉全局重要特征CNN注意力的组合同时关注全局与局部信息Wan et al.2021、Fan et al.2022等大量文献采用残差结构缓解梯度消失/爆炸稳定训练过程跳层连接使模型关注更细粒度信息批归一化/谱归一化/梯度归一化正则化手段抑制梯度爆炸提升泛化能力与稳定性元学习Meta-learning在极少样本条件下生成更高质量的伪样本Li et al.2023a等多域信息融合同时利用多个域的信息训练GAN生成更真实多样的数据Ren et al.2023b等特殊应用场景图8— GAN在多种工业应用场景中的应用示意图核能、风能、光伏、轴承、齿轮、航空发动机、汽车维护、数字孪生、医疗设备等】GAN的应用已远超传统机械故障场景涵盖核电站设备诊断CGAN轻量化方案光伏阵列故障WGAN学习PV系统各类分布HVAC暖通空调系统故障检测数字孪生WGAN构建虚拟样本支撑早期故障检测、健康监测、退化追踪转移学习结合CycleGAN/DCGAN先增强数据再通过迁移学习提升模型泛化异常检测基于GANomaly框架用重建误差检测异常状态八、现存挑战与深度分析8.1 各类不平衡模式下的GAN方法评述噪声不平衡处理预处理层面高通滤波去除低频噪声、FFT/STFT/CWT转换到频率域后滤除特定频段噪声渐进式GANRen et al.2024从低频到宽频逐步生成复杂信号避免高能信号干扰故障特征频率标签噪声处理改进的rAC-GANHuang et al.2021在有限数据和正则化互信息驱动下对标签噪声具有更高鲁棒性类内/类间双重不平衡处理现有研究大多仍聚焦于类间不平衡的单一问题类内不平衡处理的代表ACWGAN-GP模型Li et al.2024b用于不同断齿程度的故障数据增强降维后生成样本的类间分离度和类内聚合度均有显著提升核心难点在小样本条件下类内聚合簇与其他类的聚合簇可能发生重叠GAN难以建立有效边界时序不平衡处理现有研究主要针对短时序不平衡长时序不平衡研究严重匮乏GANs被用于缺失数据填补Gao et al.2022b恢复多通道时空信息中的长期连续结构响应剩余寿命预测方向GAN模拟变工况、多故障模式下的退化场景Huang et al.2022、Zhang et al.2022等8.2 可解释性三个层次的缺失GAN的黑箱属性在故障诊断场景下带来特殊挑战论文从三个维度指出可解释性的不足类别决策边界混合不平衡下的数据分布缺乏明确类别边界类内/类间聚合模式如何影响生成样本的质量目前研究严重不足模型结构与权重参数生成器内部编码机制与判别器的定量判别方式尤其是低维隐空间中潜向量与特征结果之间的映射关系尚未得到充分解释样本形式与特征重要性通过降维可视化如t-SNE和模型无关方法如SHAP、LIME量化特征贡献度与模型依赖程度目前应用有限8.3 隐私保护新兴但重要的方向在真实工业场景中关键设备的运行数据往往涉及商业机密GAN在数据处理过程中存在潜在的隐私泄露风险。目前的一种探索方案Wang et al.2022c将含类别信息的GAN引入多客户端特征对齐模块结合对抗学习自适应生成参考分布在数据隐私条件下构建多客户端的全局故障诊断模型。但总体而言基于GAN的故障诊断隐私保护机制在工业界仍是亟待深入研究的空白地带。九、未来研究展望论文从三个层次指明了未来方向9.1 数据分布场景层现有方法大多处理单一故障信号分类任务而现实中机械系统故障往往伴随着数据中含有大量噪声故障状态数据簇分散分布类别重叠严重多源、多故障数据集同步融合的研究极度匮乏未来方向研究多故障模式、多类不平衡、多源数据共存条件下的联合数据均衡方法。9.2 应用对象层高端装备极端服役条件下的故障诊断面临特殊挑战响应延迟与高算力消耗的矛盾短时异常数据缺乏标签噪声干扰严重未来方向预训练集成GAN模型 在线学习与分布式计算 高效硬件加速实现实时更新与推理。同时数字孪生结合GAN数据插值与增强将是重要落地路径GANs通过在虚拟环境中生成实验与运行数据可支撑预测性维护、性能监控和风险检测。9.3 GAN自身机制层GAN复杂的内部运行机制带来了以下挑战也指向了未来研究重点可解释性差隐空间到生成数据的映射关系难以精确阐明质量与多样性的平衡一直是生成模型的核心矛盾小样本下训练不稳定模式崩溃问题在数据极少时更为突出未来方向创新正则化技术稳定训练采用参数量更少的神经网络作为GAN基础结构引入强化学习和进化计算进一步优化训练过程研究能够处理多模态数据的细粒度条件生成方法与GAN架构。十、总结本文是目前在GAN用于不平衡故障诊断领域覆盖最为系统全面的综述之一。其核心价值在于定义了问题边界将工业不平衡故障诊断中的复杂场景细分为四类噪声不平衡、类内/类间不平衡、多类不平衡、时序不平衡填补了已有综述的空白构建了方法图谱从学习范式 × 数据形式 × 网络结构三个维度系统梳理了数十种GAN变体及其工业应用形成便于查阅的参考体系揭示了研究缺口长时序不平衡研究几乎空白多源多故障混合场景联合建模研究极少GAN可解释性与隐私保护机制研究严重不足指明了发展方向从数据场景、应用对象和GAN机制三个层次为后续研究提供了清晰的路线图对于从事工业智能运维、预测性维护、机器健康监测领域的研究者和工程师而言这篇综述既是一份权威的方法索引也是理解当前研究前沿与未来挑战的重要参考。