仪器仪表学报

作者：尤增颍，邬碧涵，朱海勇，周玉勤，徐佳文

单位：尤增颍,东南大学仪器科学与工程学院南京210096,,邬碧涵,东南大学仪器科学与工程学院南京210096,,朱海勇,江苏润仪仪表有限公司淮安211699,,周玉勤,江苏润仪仪表有限公司淮安211699,,徐佳文,东南大学仪器科学与工程学院南京210096,jiawen.xu@seu.edu.cn,

关键词：玻璃窗胶条;压电阻抗技术;数据增强;变分自编码器;Transformer模型;故障诊断

基金：国家自然科学基金（52275093）项目资助

玻璃窗胶条长时间使用会发生老化，破坏结构的密封性，带来安全隐患。这类损伤具有高度隐蔽性，采用传统的人工检查手段不能及时发现问题，并导致健康-故障数据不均衡。针对这一问题，提出了一种将压电阻抗技术与Transformer深度学习模型结合的非侵入式故障诊断方法。针对实际应用中故障样本稀缺与数据分布不均衡的核心挑战，创新性地提出了一种基于卷积注意力机制和变分自编码器的数据增强生成模型，通过学习真实故障数据分布生成新样本以扩充数据集并提升Transformer模型的泛化能力。为进一步优化生成数据质量，提升诊断准确性，引入PPIR技术，将其与CBAM-VAE结合形成PPIR-CBAM-VAE协同优化方法。PPIR技术通过精确保留关键谐振峰特征、剔除非峰值点，并利用线性插值修复非峰值区域来生成样本，在丰富样本多样性的同时显著提升数据集稳定性。实验结果表明，PPIR-CBAM-VAE方法在极具挑战性的健康-故障样本不平衡比达20∶3的条件下，诊断准确率达到92.13%；在不平衡比为4∶1的条件下，诊断准确率从基础方法的92.27%显著提升至96.45%，极大优化了模型对少数类故障样本的识别性能。该研究系统构建了融合压电阻抗技术、Transformer模型及创新性PPIR-CBAM-VAE数据增强的故障诊断框架，为建筑密封系统健康监测提供了高灵敏性、高适用性的新解决方案。

来源：2025年第8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8期