摘要：为解决复杂工业场景中滚动轴承复合故障数据难以采集所导致模型识别故障困难的问题，提出基于反馈对比生成的零样本滚动轴承复合故障诊断模型。首先，采用连续小波变换将振动信号转换为时频图，更好地保留故障的时频信息。其次，引入注意力引导ConvNeXt特征提取模块，利用通道和空间注意力机制强化故障特征的表征，消除无关信息干扰，增强故障特征的辨识性。然后，结合对抗训练和属性反馈对齐网络，确保生成的伪故障特征能够准确反映其对应的故障属性信息，实现高质量的故障特征生成。同时引入对比学习模块，生成接近正样本但远离其他样本的故障特征，进一步提高特征生成器的性能和特征的辨别力。最后，通过计算伪故障特征与未知复合故障特征的相似度，将相似度最高的类别标签作为未知复合故障标签，实现对未知复合故障的诊断。结果表明：加入注意力机制的特征提取网络相比其他网络，诊断精度提升8.42%；相比仅使用WGAN-GP生成模块，诊断精度提升14.67%；与其他模型相比，文中所提模型在故障诊断准确率上显著提高28.67%，从而验证了所提模型的有效性与优越性，为机械设备的智能维护提供了一种全新的解决方案。
文章目录
1 零样本滚动轴承复合故障诊断模型
1.1 零样本数据库构建
1.2 特征提取模块
1.3 反馈对比生成模块
1.4 故障识别模块
2 零样本滚动轴承复合故障诊断流程
3 结果与分析
3.1 实验数据介绍及数据库构建
3.2 实验过程与结果分析
3.2.1 不同故障诊断实验结果分析
3.2.2 不同特征提取模块的实验结果分析
3.2.3 消融实验结果分析
3.2.4 不同模型实验结果对比分析
4 结 论
