先进制造技术

本发明公开了一种基于L‑ICGAN的滚动轴承故障诊断方法，属于故障诊断技术领域，包括如下步骤：步骤S1、数据预处理，收集不同状态下的振动加速度信号，通过对数频谱变换将一维时域信号转换为二维对数频谱图，将预处理后的数据划分成训练集和测试集；步骤S2、网络训练，通过训练集初始化L‑ICGAN模型，并训练L‑ICGAN模型；步骤S3、故障诊断，将划分的测试集引入到训练好的L‑ICGAN模型。本发明采用上述的一种基于L‑ICGAN的滚动轴承故障诊断方法，不仅可以有效去除冗余信息，展现出更强的频率特征，而且可以提高少数类别样本的生成概率，缓解数据不平衡问题。

工业设备预测性维护：该方法通过智能生成故障特征数据，有效解决实际生产中故障样本不足的问题，为大型旋转机械的早期故障预警提供可靠技术支持，显著提升工厂设备的运行可靠性。

轨道交通安全保障：应用于列车轴承健康监测时，能够准确识别各类潜在故障模式，辅助制定科学的检修计划，降低突发性故障风险，保障轨道交通系统的运营安全。

风电设备远程运维：针对偏远地区风力发电机组的轴承监测需求，该方法可实现故障特征的智能识别与分类，为风电场的远程状态评估和运维决策提供有力支撑。

航空航天关键部件检测：在航空发动机等关键部件的健康管理领域，该方法的高精度诊断能力可以及时发现轴承的早期损伤，为飞行安全提供重要保障。

本发明基于对数频谱变换，这使得本发明提出的诊断方法可以有效的提取并且处理非稳态信号和时变信号，将一维振动信号转化成二维时频图作为模型的输入，有助于去除冗余信息，以展现出更强的频率特征，并且在一定程度上增强了低振幅部分的可视化效果。

本发明使用分类生成对抗网络（CGAN），这使得本发明提出的诊断方法通过生成器和分类器之间的对抗过程交替优化模型，生成与真实样本相近的样本来完成数据扩充。

本发明添加了改进后的生成器G和改进后的分类器C，这使得本发明提出的诊断方法可以更好地平衡各个类别之间的重要性，提高少数类别样本的生成概率，从而缓解数据不均衡问题