文章概述

本文提出了一种解决数据不平衡问题并提高诊断准确性的诊断方法。首先，通过小波变换处理来自多个传感器的信号，以增强数据特征，然后通过池化和拼接操作对其进行压缩和融合。随后，构建改进的对抗网络来生成新的样本进行数据增强。最后，通过引入卷积块注意力模块构建改进的残差网络，以提高诊断性能。采用包含两种不同类型轴承数据集的实验来验证所提出方法在单类和多类数据不平衡情况下的有效性和优越性。结果表明，所提出的方法能够生成高质量的合成样本，并在不平衡故障诊断中提高诊断准确性，具有巨大的潜力。

模型描述

滚动轴承是旋转机械系统的重要组成部分，其故障可能导致巨大的经济损失甚至对人们的生命构成威胁。因此，开发先进有效的故障诊断方法来监测轴承故障具有重要意义。近年来，基于机器学习的许多数据驱动故障诊断方法已经提出，并推动了智能故障诊断技术的发展。其中，深度学习（DL）方法引起了广泛关注，因为它们能够快速有效地处理机械信号，从而产生可靠的故障诊断结果。