仪器仪表学报

作者：王报祥，丁传仓，居淼，皇甫一樊，黄伟国

单位：王报祥,苏州科技大学机械工程学院苏州215009,,丁传仓,苏州大学轨道交通学院苏州215131,ccding@suda.edu.cn,居淼,苏州大学轨道交通学院苏州215131,,皇甫一樊,苏州大学轨道交通学院苏州215131,,黄伟国,苏州大学轨道交通学院苏州215131,

关键词：故障诊断;生成对抗网络;谱图卷积;混合注意力;数据不均衡

基金：国家自然科学基金（52405124, 52575131）、中国博士后科学基金（2025M771322）项目资助

机械设备在复杂工况下长期运行时极易发生故障，如果不能及时准确诊断，不仅会造成性能下降和经济损失，还可能引发严重的安全事故，因此研究高效可靠的智能故障诊断方法具有重要工程价值。然而，在实际工业场景中，监测数据中故障样本数量有限，导致存在数据不均衡问题，严重制约了传统诊断模型的准确性与鲁棒性。为有效缓解上述问题，引入谱图卷积和混合注意力模块，提出了改进循环一致生成对抗网络，用于生成高质量的故障数据样本，从而提高数据不平衡下的机械故障智能诊断精度。具体地，谱图卷积通过稀疏邻接矩阵建模全局像素依赖关系，提升远程特征交互能力并降低计算复杂度；同时，混合注意力模块在通道和空间两个层面动态设置权重，突出关键区域并强化特征表达。利用提出的改进循环一致生成对抗网络，可以生成更加真实和多样的故障样本，有效扩充少数类样本，缓解数据不均衡对机械智能故障诊断性能的限制。在北京交通大学地铁列车转向架数据集和苏州大学轴承数据集上的实验结果表明，所提方法在3个图像质量评估指标和故障分类准确率方面均显著优于对比方法，验证了其在数据不均衡下的智能故障诊断性能，为工业应用中解决数据不均衡难题提供了一种切实可行的解决方案。

来源：2025年第10期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第10期