电机故障数据增强
该模型融合时域与频域信息并引入状态条件机制，能够生成高保真、多样且可控的电机故障信号，显著优于传统TimeGAN方法。
李彬彬 · Yu, Zhang · Ruijie, Ren · Weijia, Liu · Gang, Xu
Machines 2025
融合原始波形、包络特征和瞬时相位变化，使生成器更好地捕捉非平稳故障模式的瞬态细节。
通过可学习权重动态平衡时域与频域特征，避免了固定融合策略在不同工况下失效的问题。
显式状态标注让模型能按需生成特定故障状态的数据，适用于类别不平衡或稀缺工况。
在T-SNE/主成分分析可视化、DTW与FID指标上均优于基线，下游分类器性能验证了合成数据的实用性。