基于生成对抗网络的小样本下轴向柱塞泵故障诊断研究

✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。

✅成品或者定制，扫描文章底部微信二维码。

（1）针对轴向柱塞泵振动信号在强工业噪声环境下故障特征被掩蔽的难题，提出了一种融合优化算法的经验模态分解与奇异值分解联合降噪方法。该方案的核心在于构建一个自适应、精细化的信号重构流程。首先，对原始含噪信号进行经验模态分解，得到一系列从高频到低频的本征模态函数分量。传统方法依据相关系数阈值筛选分量，本方案则进一步引入了物理模态指标阈值，形成相关系数与物理模态指标的双重判据联合筛选机制，从而更准确地区分真实故障模态与噪声主导模态。随后，对筛选出的有效分量构建Hankel矩阵并进行奇异值分解，通过保留主要奇异值进一步抑制残留噪声。该过程中的关键参数（如筛选阈值、奇异值截断阶数）直接影响降噪效果。为此，引入强化学习中的Q学习算法来改进金豺优化算法，赋予其动态调整搜索策略的能力，实现对上述关键参数组合的自动、高效寻优，避免了人工试错，确保了在不同噪声场景下都能获得最优的降噪参数配置，为后续诊断提供了高信噪比的输入信号。

（2）针对实际工程中轴向柱塞泵故障样本难以大量获取的核心瓶颈，研究并改进了一种适用于时间序列信号的生成对抗网络模型，以实现高质量的数据扩充。方案深入分析了标准生成对抗网络及其变体在生成一维振动、压力信号时面临的模式不稳定、序列连续性差等问题。所提出的改进模型对生成器和鉴别器的网络结构进行了针对性设计，例如采用一维卷积层、门控循环单元等来更好地捕捉时间序列的局部相关性与长程依赖关系。同时，可能在训练策略上引入谱归一化、梯度惩罚等技术以稳定训练过程，防止模式崩溃。通过在与轴向柱塞泵信号特性相似的公开轴承故障数据集上进行预验证，该模型展示了其生成与真实故障数据在时域波形、统计特性及频域特征上高度相似的合成样本的能力。这证明了该模型能够有效学习到有限真实故障样本背后的数据分布规律，从而生成大量多样化的、高质量的“虚拟”故障样本，为解决小样本问题奠定了数据基础。

（3）为充分利用柱塞泵多传感器信息（如泵壳振动、出口压力、泄漏流量等）并实现精准诊断，构建了一种多分支卷积注意力网络故障诊断模型。该模型采用并行处理架构，为每一路传感器信号设计一个独立的分支网络。每个分支内部使用不同尺寸的一维卷积核，以并行提取该传感器信号在不同时间尺度上的局部故障特征，形成多尺度的特征图。随后，在每个分支内引入注意力机制（如通道注意力或空间注意力），让网络自动学习并突出那些对故障判别贡献最大的特征通道或信号片段，抑制不相关或冗余的信息。之后，将各分支经过注意力筛选和强化后的高层次特征进行融合，融合策略可以是简单的拼接，也可以是加权融合。最终，将融合后的全局特征输入全连接层完成故障分类。该方案的优势在于：多尺度卷积确保了特征提取的完备性；注意力机制实现了特征的智能筛选，提升了模型对关键故障征兆的聚焦能力；多传感器信息融合则从不同物理维度提供了故障证据，形成了信息互补。

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇