Details
| Title | Generative adversarial network for classification of mechanical fault diagnosis model = Генеративно-состязательная сеть для классификации модели диагностики механических неисправностей // Информатика, телекоммуникации и управление = Computing, Telecommunications and Control. – 2025. – Т. 18, № 4. — С. 30-43 |
|---|---|
| Creators | Guo C. ; Potekhin V. V. |
| Imprint | 2025 |
| Collection | Общая коллекция |
| Subjects | Радиоэлектроника ; Искусственный интеллект. Экспертные системы ; fault diagnosis ; generative adversarial networks ; diagnosis of mechanical failures ; classification of diagnostic models ; time series analysis ; supervised machine learning ; reliability of intelligent diagnostics ; диагностика неисправностей ; генеративно-состязательные сети ; диагностика механических неисправностей ; классификация моделей диагностики ; анализ временных рядов ; контролируемое машинное обучение ; надежность интеллектуальной диагностики |
| UDC | 004.8 |
| LBC | 32.813 |
| Document type | Article, report |
| Language | English |
| DOI | 10.18721/JCSTCS.18403 |
| Rights | Свободный доступ из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\78360 |
| Record create date | 3/2/2026 |
The scarcity and imbalance of annotated fault data pose significant challenges to the reliability of intelligent industrial diagnostics. To address this issue, we propose an integrated fault diagnosis framework based on multi-domain feature fusion and generative adversarial networks (GANs). Unlike traditional approaches that treat generation and classification as independent stages, our model unifies these two processes. This method achieves diagnosis by transforming raw vibration signals into multi-domain representations (time domain, frequency domain, and time-frequency domain). The core innovation lies in the restructured generator architecture: a Transformer encoder captures global signal correlations, combined with an Efficient Channel Attention (ECA) mechanism for adaptive recalibration of feature weights, ensuring high-fidelity sample synthesis. Additionally, the model employs a dual-function discriminator that distinguishes genuine from synthetic samples while directly performing multi-class fault classification. Extensive experiments on CWRU and JNU benchmark datasets demonstrate that this approach surpasses existing state-of-the-art algorithms, achieving superior performance in Structural Similarity (SSIM), Peak Signal-to-Noise Ratio (PSNR), and diagnostic accuracy. This end-to-end solution effectively mitigates data scarcity challenges in industrial settings.
Нехватка и несбалансированность аннотированных данных о неисправностях создают серьезные проблемы для надежности интеллектуальной промышленной диагностики. Для решения этой проблемы мы предлагаем интегрированную систему диагностики неисправностей, основанную на слиянии многодоменных характеристик и генеративных состязательных сетей (GAN). В отличие от традиционных подходов, которые рассматривают генерацию и классификацию как независимые этапы, наша модель объединяет эти два процесса. Этот метод позволяет проводить диагностику путем преобразования необработанных сигналов вибрации в многодоменные представления (временная область, частотная область и временная-частотная область). Основная инновация заключается в реструктурированной архитектуре генератора: кодер Transformer улавливает глобальные корреляции сигналов в сочетании с механизмом Efficient Channel Attention (ECA) для адаптивной перекалибровки весов признаков, обеспечивая высокую точность синтеза образцов. Кроме того, модель использует дискриминатор с двойной функцией, который отличает подлинные образцы от синтетических, одновременно выполняя многоклассовую классификацию неисправностей. Обширные эксперименты на эталонных наборах данных CWRU и JNU демонстрируют, что этот подход превосходит существующие современные алгоритмы, достигая превосходных результатов по структурному сходству (SSIM), пиковому отношению сигнал/шум (PSNR) и точности диагностики. Это комплексное решение эффективно смягчает проблемы нехватки данных в промышленных условиях.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | All |
|
Access count: 3
Last 30 days: 3
