图文导读

图1 Graphical abstract

有效的故障诊断对复杂制造系统的安全性和经济性有着至关重要的影响。然而，收集到的多源数据结构复杂且故障样本较少，难以准确识别多种故障模式。为了解决这一问题，南京理工大学郭一鸣博士团队提出了一种新的深度学习模型，用于多源数据扩充和小样本故障诊断。该模型首先使用Gramian角场将原始多源数据转换为二维图像，并构建生成器，通过转置卷积运算将随机噪声转换为图像；随后，构造了两个鉴别器分别评估输入图像的真实性和故障诊断能力，建立了Vision Transformer模型以诊断故障，同时为鉴别器提供分类误差。此外，还设计了一种全局优化策略以更新模型参数，鉴别器和生成器相互竞争直至纳什均衡。为验证提出模型的有效性，从实际的多工步锻造系统中采集了多源数据，比较分析了不同方法在多源数据扩充和小样本故障诊断任务中的性能。结果表明，与其他现有模型相比，提出的模型在多场景下的故障诊断准确性更佳。该研究提出的模型能有效描述多源数据的内在相关性，并扩展小样本，解决了忽视多源数据复杂时空相关性导致的故障信息难以有效获取问题，提高了小样本条件下故障诊断的准确率。研究成果以“A novel minority sample fault diagnosis method based on multisource data enhancement”为题发表于《国际机械系统动力学学报（英文）》（International Journal of Mechanical System Dynamics, IJMSD）。

Abstract: Effective fault diagnosis has a crucial impact on the safety and cost of complex manufacturing systems. However, the complex structure of the collected multisource data and scarcity of fault samples make it difficult to accurately identify multiple fault conditions. To address this challenge, this paper proposes a novel deep-learning model for multisource data augmentation and small sample fault diagnosis. The raw multisource data are first converted into two-dimensional images using the Gramian Angular Field, and a generator is built to transform random noise into images through transposed convolution operations. Then, two discriminators are constructed to evaluate the authenticity of input images and the fault diagnosis ability. The Vision Transformer network is built to diagnose faults and obtain the classification error for the discriminator. Furthermore, a global optimization strategy is designed to upgrade parameters in the model. The discriminators and generator compete with each other until Nash equilibrium is achieved. A real-world multistep forging machine is adopted to compare and validate the performance of different methods. The experimental results indicate that the proposed method has multisource data augmentation and minority sample fault diagnosis capabilities. Compared with other state-of-the-art models, the proposed approach has better fault diagnosis accuracy in various scenarios. The proposed model can effectively describe the correlation of multi-source data and expand the small sample size. It solves the problem of difficulty in effectively obtaining fault information caused by neglecting the complex spatial-temporal correlation of multi-source data, and improves the fault diagnosis accuracy under small sample conditions.

该文亮点：

1. 针对复杂制造系统，提出了一种新的小样本故障诊断模型；

2. 将Gramian角场引入Vision Transformer网络中，以描述多源数据的内部相关性，提高了故障诊断性能；

3. 设计了改进的GAN和全局优化策略来解决故障诊断任务的小样本问题。

Highlights:

1. A novel minority sample fault diagnosis model is proposed for complex manufacturing systems.

2. The Gramian Angular Field is introduced into the Vision Transformer network to describe the internal correlation of the multi-source data and to enhance the fault diagnosis performance.

3. The improved generative adversarial network (GAN) and global optimization strategy are designed to solve the small sample problem for the fault diagnosis task.

Keywords: multisource data augmentation;minority sample fault diagnosis;complex manufacturing system;global optimization;Vision Transformer

DOI: 10.1002/msd2.12100

Share this article: https://onlinelibrary.wiley.com/doi/10.1002/msd2.12095（点击链接直达原文）

Cite this article:Guo Y, Song S, Huang J. A novel minority sample fault diagnosis method based on multisource data enhancement. Int J Mech Syst Dyn. 2024; 4: 88-98. doi:10.1002/msd2.12100

作 者 简 介

郭一鸣 南京理工大学讲师，研究方向为增材制造、数据融合和故障诊断。于2021年获东南大学机械工程学院博士学位。

宋世达 南京理工大学材料科学与工程学院混合增减制造方向博士研究生。

黄静 南京理工大学机械工程学院硕士研究生，于2021年获武汉科技大学机械自动化学院工程学学士学位。

期 刊 简 介

IJMSD由来自18个国家的21位院士、17位国际学会主席、20位国际期刊主编等69位科学家和国际出版巨头美国Wiley出版社合作创办。主编为国际机械系统动力学学会(International Society of Mechanical System Dynamics, ISMSD)主席、中国科学院院士、南京理工大学芮筱亭院士，3位合作主编为加拿大工程院院士、欧洲科学院院士、加拿大麦吉尔大学Marco Amabili 院士，国际理论与应用力学联盟(International Union of Theoretical and Applied Mechanics, IUTAM)前司库、国际多体系统动力学协会(International Association for Multibody System Dynamics, IMSD)前主席、德国斯图加特大学Peter Eberhard 教授和美国工程院及科学院院士、欧洲科学院外籍院士、英国皇家学会外籍院士、中国科学院外籍院士、美国工程科学协会前主席、美国西北大学Yonggang Huang 院士。

IJMSD旨在用机械系统动力学科学与技术为现代装备设计、制造、试验、评估和使用全生命周期性能的提升提供先进的理论、软件、方法、器件、标准，为全球科学家和工程专家提供广泛的机械系统动力学国际交流平台。IJMSD强调从“系统”视角及系统级工具理解动力学，所涉及的机械系统不仅包括各种不同尺度的机械系统和结构，还包括具有多物理场/多学科特征的综合机械系统。

目前，IJMSD已被ESCI, Ei Compendex, Scopus, IET Inspec, DOAJ等收录。2024年免收出版费，并为已录用稿件免费提供专业语言润色服务，欢迎全球科学家投稿交流。

期刊主页：https://onlinelibrary.wiley.com/journal/27671402

投稿网址：https://mc.manuscriptcentral.com/ijmsd

编辑部邮箱：office@ijmsd.net

欢迎加入读者交流群

长按下图，扫码添加小编微信，邀请您进入IJMSD读者交流群，群内不定期分享期刊论文，并开展学术写作讲座等各项活动。

备注“姓名-单位-IJMSD读者”

=============================================================================

推 荐 阅 读

• 芮筱亭院士团队：多体系统传递矩阵法的过去、现在和未来

• 德国勃兰登堡工业大学芮雪博士、Dieter Bestle教授：基于解耦铰方程的缩减多体系统传递矩阵法

• 芮筱亭院士、北京大学陆涵婧博士后，等：超精密飞切机床动力学有限元模态综合多体系统传递矩阵法

• 芮筱亭院士、Hyoungjin Choi院士，等：基于核壳结构四氧化三铁/共聚物纳米复合材料的高稳定性磁流变学性能研究

• 李应红院士团队：纤维编织增强复合材料抗高速冲击性能在航空发动机中应用的前景 (Review)

• 哈工大吴林志教授、熊健教授团队：纤维增强复合材料点阵材料的设计、制备及动态力学响应 (Review)

• 陈光院士团队：亚稳β钛合金热压缩动态机械行为、组织演变与复原机制

• 丁汉院士团队：基于切削成像技术的切屑形成过程动力学研究进展 (Review)

• 刘胜院士、东京大学Keisuke Goda教授，等：用于揭示激光和材料间相互作用动力学现象的超快成像 (Review)

• 姜澜院士团队：基于超快电子成像的电子-晶格动力学：原理与应用 (Review)

• 美国哥伦比亚大学I.A. Kougioumtzoglou副教授团队：耦合微机械振子阵列的非线性随机动力学

• 香港科技大学（广州）訾云龙副教授团队：摩擦纳米发电机的动力学综述 (Review)

• 李东旭院士团队：航天器太阳能帆板的振动控制：创新方法与潜在途径 (Review)

• 西北工业大学周生喜教授，等：基于颤振的风能俘获技术研究进展 (Review)

• 张卫红院士团队：面向薄壁结构铣削颤振预测的结构时变动态特性的高斯过程回归代理模型

• 南京航天航空大学卢天健教授、西安交通大学辛锋先教授，等：用于宽带水声吸收的栅状消声层

• 德国锡根大学Chuanzeng Zhang院士团队：基于半解析无网格方法的声屏障性能分析及其材料分布优化

• 李惠院士团队：基于可变形三维网格和运动光流表示学习的结构稠密位移识别方法

• 青岛大学谷岩教授，俄罗斯库班国立大学Mikhail V. Golub教授，等：基于Fourier级数的局部无网格配点法：理论与MATLAB程序

• 复旦大学黄吉平教授、庄鹏飞博士：热电双功能超构材料的多重控制

• 朱俊强院士团队：基于熵特征辨识的轴流压气机失速诊断方法

• 顾宁院士团队：基于VOF多相流模型的微通道内气液两相泰勒流传质行为数值模拟

• 清华韩勤锴副研究员、北航徐平副教授：考虑电磁-结构耦合效应的大型永磁直驱发电机动力学特性研究

• 德国斯图加特大学Peter Eberhard教授：中国新型电磁悬架高速磁悬浮列车发展历程:动力学仿真历史与最新进展 (News)

IJMSD期刊编辑部版权所有©2024年。任何形式的转载和出版请联系office@ijmsd.net