基于扩散模型的滚动轴承故障诊断方法研究

✅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）为应对滚动轴承故障样本稀缺对深度学习模型性能的限制，提出了一种基于交叉注意力机制的条件去噪扩散概率模型用于数据增强。该方案将先进的扩散模型引入故障诊断领域，其核心是一个逐步去噪的过程。模型在训练时学习如何将纯高斯噪声逐步恢复为真实的故障振动信号。为了控制生成样本的故障类别，创新性地引入了交叉注意力机制。具体而言，将故障类别标签编码为条件向量，在去噪网络的每一层，通过交叉注意力让生成过程“关注”该条件信息，从而引导模型生成指定类型的故障信号。此外，采用了无分类器引导技术，使得在推理阶段即使不显式输入条件，也能通过调节引导尺度来精细控制生成样本的保真度和多样性。通过在仅有少量真实故障样本（小样本）的设置下进行实验，对比生成数据与真实数据的时频特征、分布相似性度量，并验证使用扩充后数据训练的诊断模型性能提升，证实了该方法能有效缓解数据稀缺问题，生成高质量、高多样性的指定故障样本。

（2）针对更严峻的极端小样本及复杂数据分布场景，提出了一种融合可学习小波变换与分流自注意力的增强型扩散模型。该方案对扩散模型的核心组件——噪声预测网络进行了深度改进。首先，设计了可学习的小波自适应增强模块，该模块能够通过训练自动调整小波基函数的参数，从而对输入的含噪信号或中间特征进行自适应时频分析，突出与故障冲击特征相关的频带，增强了模型在生成过程中对故障物理特征的感知与保持能力，提升了生成结果的物理可解释性。其次，引入了分流自注意力机制，该机制能够并行捕获信号特征在不同尺度上的长程依赖关系，使模型能够同时关注故障信号的局部细节（如冲击瞬间）和全局形态（如冲击周期），实现了多尺度特征的有效捕捉。可学习小波模块与分流自注意力模块在噪声预测网络内协同工作，前者增强特征的物理意义，后者提升特征的建模能力，共同确保了即使在极端样本短缺和复杂分布下，模型也能稳定生成富含可判别性故障特征的、高质量样本，为后续诊断提供了强有力的数据支持。

（3）为提升模型在训练阶段未见过的新工况（未知域）下的故障诊断泛化能力，提出了一种结合不平衡数据增强与领域泛化的两阶段诊断框架。第一阶段针对源域（多个已知工况）数据中可能存在的类别不平衡问题，利用前述改进的扩散模型，专门生成少数类故障样本，构建一个类别平衡的、增强后的多工况源域数据集。第二阶段，设计了一个双机制多域特征提取器网络。该网络以增强后的数据为输入，其训练目标同时优化两个损失：一是三元组损失，它通过精心构造锚点、正样本、负样本，驱使网络学习到的特征空间满足同一故障类别（不同工况下）的特征尽可能聚集，不同故障类别的特征尽可能远离，从而强化特征的类内紧致性与类间分离性；二是领域对抗损失，通过一个域鉴别器试图区分特征来自哪个工况（源域），而特征提取器则努力生成能够混淆域鉴别器的特征，以此剥离特征中的工况特异性信息，学习到纯粹的、跨工况不变的故障本质特征。

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇