《Chaos, Solitons & Fractals》：Generative adversarial learning for intelligent fault diagnosis: Matrix kernel-enhanced convolutional networks in robotic systems
编辑推荐：
在工业机器人领域，关节轴承故障占失效总数的30%–35%，受限于标记数据稀缺及振动模式复杂，变工况下的故障诊断仍具挑战性。本研究提出一种以增强型混合CGAN-1D-MCNN模型为核心的物联网赋能智能故障诊断框架，集成Squeeze-and-Excitation
在工业机器人领域，关节轴承故障占失效总数的30%–35%，受限于标记数据稀缺及振动模式复杂，变工况下的故障诊断仍具挑战性。本研究提出一种以增强型混合CGAN-1D-MCNN模型为核心的物联网赋能智能故障诊断框架，集成Squeeze-and-Excitation（SE）注意力机制以实现鲁棒故障识别。首先，条件生成对抗网络（Conditional Generative Adversarial Network, CGAN）以故障类型为条件合成高质量故障样本，通过学习6自由度工业机器人UR-16e在不同载荷下的真实振动信号分布缓解数据稀缺问题。其次，基于矩阵核的一维卷积神经网络（Matrix Kernel-based 1D Convolutional Neural Network, MCNN）利用动态矩阵核对多通道信号进行处理，实现空间特征提取与跨通道融合的同步完成。SE注意力模块通过全局平均池化与可学习的激励操作对通道特征进行重校准。在实时实验室数据集及公开CWRU、Paderborn数据集上的评估结果显示，CGAN-1D-MCNN模型准确率达98.90%，优于FMRGAN（94.98%）、C-DGAN（96.45%）及GPSC-GAN（95.53%），且在噪声环境下表现稳健（30 dB信噪比下准确率下降<±2%），在0.50–3.0 hp变载荷条件下亦保持高性能。
研究背景与意义
工业机器人作为多自由度（Degree of Freedom, DoF）机械系统，广泛应用于高危环境与精密作业场景，由机械臂、人机接口、嵌入式控制器、传感器阵列与动力系统等核心组件构成，可在极端工况下承载从微克级至吨级的负载。其中关节轴承支撑机械臂的多向运动，但在变速、变载的持续运行下易加速退化，统计显示其故障占机器人总故障的30%–35%，且常发生于高速高压工况，若未及时诊断可能导致设备损毁与安全事故。传统故障诊断分为基于模型、基于知识与数据驱动三类：基于模型的方法依赖数学解析冗余，虽对线性系统识别率高，但抗噪性与抗干扰能力不足；基于知识的方法需大量专家经验与预设规则；数据驱动方法无需精确数学模型，可通过统计分析与深度学习（Deep Learning, DL）实现端到端特征挖掘，但深度学习模型依赖大规模标记数据，实际工业场景中故障样本往往稀缺且类别不平衡，易导致过拟合与性能下降。此外，现有方法在多通道信号处理效率与变工况鲁棒性方面仍存在局限，亟需针对性优化。
针对上述挑战，研究人员提出一种结合条件生成对抗网络（CGAN）、矩阵核一维卷积神经网络（MCNN）与Squeeze-and-Excitation（SE）注意力的新型混合诊断框架，并在《Chaos, Solitons 》发表相关研究。该研究通过CGAN生成高保真合成故障数据解决数据稀缺问题，利用MCNN的矩阵核运算实现高效多尺度特征提取，并引入SE注意力进行通道特征重校准，最终在UR16e机器人数据集与公开基准数据集上验证了方法的优越性与泛化能力。
关键技术方法
研究人员采用6自由度UR16e工业机器人搭载PV-571传感器采集实时振动数据，筛选稳态区间（关节角度-45°至+45°）样本，同时纳入公开CWRU与Paderborn数据集进行对比验证。核心技术包括：1）经谱归一化与动态对抗训练优化的CGAN，用于生成条件化故障样本；2）采用3×3动态矩阵核的MCNN，实现空间特征提取与跨通道融合同步；3）SE注意力模块，通过全局平均池化与可学习激励对通道特征重校准；4）多维度性能评估体系，涵盖准确率、精确率、召回率及置信区间计算，并通过配对t检验验证显著性差异。
研究结果
相关研究工作
注意力机制通过选择性数据优先级分配提升故障诊断性能，基础SE模块可自适应重校准通道特征，进阶交互通道注意力框架兼顾全局与局部通道关系以提升低数据量、高噪声场景下的检测能力，该类原理已成功应用于多通道校准Transformer等一维时间序列处理模型。
混合CGAN-1D-MCNN故障诊断模型
该框架整合CGAN条件样本生成、矩阵核1D-CNN特征提取与SE注意力通道重校准三大组件，区别于以往仅聚焦卷积结构设计的MCNN轴承诊断方法，本研究联合优化数据增强与判别特征学习，显著提升了噪声环境与变工况下的鲁棒性。
实验平台与数据集
研究以UR16e工业机器人作为实验平台完成数据采集与分析。
实验验证与结果分析
研究人员通过5次重复实验计算总体准确率（OAcc）与平均准确率（AAcc），NF类故障在30 dB噪声下的平均准确率达98.45%±0.50，95%置信区间为[97.45%, 99.45%]，性能稳定。同时计算了所有模型的准确率、精确率与召回率的95%置信区间以确认估计精度，配对t检验结果表明CGAN-1D-MCNN与FMRGAN的性能差异具有统计学显著性。
总结
本研究提出了专为工业机器人关节轴承故障识别设计的CGAN-1D-MCNN混合诊断范式，通过CGAN的智能数据增强解决了故障数据稀缺的核心问题，利用MCNN对一维振动信号的矩阵核运算实现了判别性多尺度特征的高效提取，在UR16e数据集与公开基准上均展现出优异性能。研究结论表明，该方法在变载荷（0.50–3.0 hp）下准确率下降不足3.0%，30 dB峰值信噪比（PSNR）下保持97.90%准确率，且在速度-载荷耦合工况下达96.62%准确率，优于多种现有先进模型，为工业机器人智能故障诊断提供了高鲁棒性的解决方案。
