机床与液压

作者：曹菁菁，肖景昌，张艳伟，赵强伟?，苏越?

单位：武汉理工大学交通与物流工程学院；水路交通控制全国重点实验室；武汉理工大学交通与物流工程学院；武汉理工大学交通与物流工程学院；武汉理工大学交通与物流工程学院；国能数智科技开发（北京）有限公司

关键词：滚动轴承;故障诊断;不平衡数据集;深度学习;生成对抗网络

基金：国家重点研发计划项目(2022YFB2602300)

针对滚动轴承故障诊断数据不平衡问题，提出一种基于改进Wasserstein距离的梯度惩罚生成对抗网络（WGAN-GP）和ConvNext 1D的故障诊断方法。利用小波包分解得到小波包能量域特征，并引入统计特征作为数据输入；利用改进的WGAN-GP进行数据增强，生成平衡数据集；最后，利用递归下采样设计的ConvNext 1D模型进行分类故障诊断，并应用GELU激活函数来提高特征表达能力。针对凯恩斯西储大学（CWRU）和东南大学（SEU）数据集，设置多个不平衡比例实验场景，并与其他5种深度模型（如Transformer、TCN、WDCNN等）进行对比，以准确率ACC、AUC和F1分数作为评价指标。结果表明：在CWRU数据集上，所提方法在3种不平衡数据集下均取得最优性能，最高ACC达0.972，AUC为0.987， F1分数为0.981，优于对比模型；混淆矩阵显示个别故障类别识别率较低，但均超过95%，其余故障类别准确率均为100%；在SEU数据集上，最高ACC为0.943，AUC为0.978， F1分数为0.954，同样优于其他对比方法，但混淆矩阵显示内圈故障识别能力较差，准确率不足85%，其余类别识别准确率较好。生成样本经t-SNE可视化后表明，平衡数据集中不同故障类别聚类更清晰，证明了WGAN-GP生成样本的有效性。相较于其他经典模型，所提方法提高了对少数类样本的识别能力，在处理不平衡故障分类问题上精度更高。该基于改进WGAN-GP和ConvNext 1D的方法能有效缓解轴承故障数据不平衡问题。

来源：2026年第5期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第5期