基于对比学习生成网络的小样本故障诊断方法及相关装置
知识产权简介
本专利公开了一种新的数据驱动诊断模型--分类生成对抗网络(CatGAN)和对比学习结合的故障诊断方法Contras-CatGAN。在数据预处理中通过短时傅里叶变换提取时频特征，以捕捉特征非平稳特性。通过构建 CatGAN生成器来生成振动信号作为补充数据，解决故障数据稀缺的问题;将生成样本与真实样本共同输入到对比学习模块中进行特征相似度计算，得到相应的对比损失用于迭代优化生成器。在分类器的损失迭代函数中引入平均熵与条件熵，有效地表征样本特征分布，并通过让生成器和分类持续进行对抗训练达到纳什均衡，实现分类器在长尾小样本条件的卓越诊断性能。
转化前景
在能源、智能制造、交通运输等关键领域，工业大型装备（如发电机组、冶金设备、重型工程机械等）的稳定运行直接关乎生产效率与产业安全。传统故障诊断依赖海量标注数据训练模型，不仅数据采集周期长、成本高昂，还难以适配装备复杂工况下的小众故障场景，导致诊断精度不足、维修滞后，进而引发高额停机损失与维修成本。本技术聚焦小样本数据痛点，构建高效智能诊断模型，无需大规模数据投喂即可实现对装备潜在故障的精准识别、定位与预警。同时，结合运能动态监测与预测性维护机制，合理规划维护周期与资源配置，大幅降低了数据采集阶段的人力、物力投入，又避免了盲目维修与突发故障造成的经济损失，为工业大型装备的安全、高效、低成本运行提供核心技术支撑，助力产业实现智能化升级与降本增效。