佟 博，刘 韬，刘 畅

(昆明理工大学 机电工程学院，云南 昆明 659500)

在故障诊断领域中，对机械系统运行状况的监控具有合理安排生产计划、提升生产效率等很多重要意义。据统计，轴承故障在旋转机械故障的故障类别中超过了30%。因此，对轴承进行故障诊断的相关算法研究以提高机械系统故障诊断准确率和诊断效率非常重要[1-4]。但是在实际应用的过程中，因为不同工作环境之间的差异等原因，一台设备上的数据无法简单迁移到另一台上使用。因此，在实际生产中，往往会面临只有正常工作的数据，而缺乏失效阶段数据的情况[5]。针对这种情况，国内外学者做了大量研究，例如假设符合轴承寿命符合威布尔分布[6-7]，刘海涛等[8]得到了可靠性参数的 Bayes 估计等等。但是上述方法都是基于统计模型，不得不面对小样本、准确的是小分部难以估计等问题。

考虑到以上因素，本文将生成对抗网络(Generative Adversarial Networks，GAN)模型引入故障诊断领域。Goodfellow等[9-10]最早提出生成对抗网络框架，该模型有着强大的建模能力，可以捕捉到高维、难以追踪的数据分布并进一步运用到图像分割[11]、视频预测[12]、风格迁移等领域[13]。Martin A等[14-15]在原始框架上通过改进损失函数、优化算法等，解决了GAN训练不稳定、梯度消失等问题。综上所述，本文结合传统的振动分析技术，为故障诊断领域一直存在的数据缺失问题提供了一种新的解决思路。

1 生成对抗网络

生成对抗网络由一个生成器网络G与一个判别器网络D构成。生成器与判别器的网络结构皆为多层感知器。……