故障诊断模型

不平衡数据故障诊断精度高

该模型结合改进的辅助分类生成对抗网络与Swin Transformer，针对不平衡振动数据增强故障诊断能力，适用于煤矿刮板输送机轴承。

王宏维 · Shengyu, Guan · Xuesong, Wang · Lijie, Wang · Qun, Zhang · Kaiman, Liu · Zhiwen, Fang · Hongli, Wang

IEEE Access 2025

参数信息

诊断精度（平衡数据）

99.1 %

诊断精度（现场应用）

96.06 %

技术优势

生成高保真样本

CAFM模块增强生成样本的质量和多样性，缓解数据不平衡对诊断模型训练的影响。

诊断精度高

在平衡数据下精度达99.1%，现场应用中达96.06%，优于SVM、CNN和ResNet等基准模型。

训练更稳定

判别器损失函数引入梯度惩罚项，提高训练稳定性，缓解模式崩溃。

现场已验证

在高河能源煤矿E2312工作面进行了现场应用，验证了模型在实际工况下的有效性。

应用场景

• 矿山机械维护：用于煤矿刮板输送机轴承故障预警，减少非计划停机。
• 机械设备状态监测：代替人工巡检，实现轴承振动信号的自动监测与诊断。
• 工业设备智能诊断：在数据不平衡条件下仍保持高精度，适用于现场智能诊断系统。
• 智能故障诊断：利用GAN生成样本增强训练，提升数据不足时的诊断模型性能。