论文题目C-GAN-VAE: Causal Generative Adversarial Variational Autoencoder for few shot fine grained cross domain fault diagnosis for planetary gearbox行星变速箱少发细粒度跨域故障诊断的因果生成式对抗性变分自动编码器期刊Engineering Applications of Artificial Intelligence摘要深度学习给这一领域带来了巨大的进步但目前的方法在少数几次学习的情况下以及在推广到以前未遇到的故障类型方面面临着巨大的困难。这些限制源于两个主要因素对标记的训练数据的大量需求在实际应用中往往不可用以及未能识别和表示支配故障模式的基本原因机制。为了解决这些关键挑战本文引入了因果生成性对抗性变分自动编码器(C-GAN-VAE)框架。关键的创新是在单阶段训练中结合重建、对抗性、代码预测和因果解缠目标的统一损失函数而不是现有方法要么忽略因果关系要么采用复杂的多阶段过程。我们的体系结构结合了一个专门的因果Q网络(CQN)它将潜在的表征分解成与不同的故障相关因果机制相对应的独立因素大大提高了新的故障识别能力。该框架进一步集成了条件生成对抗网络(CGAN)生成高质量的合成样本来扩充有限的故障数据从而加强了数据稀缺情况下的模型泛化。在Spectra Quest Inc.(SQI)风力涡轮机传动系模拟试验台数据集和凯斯西部储备大学(CWRU)数据集上进行的综合评估验证了C-GaN-VAE在少发约束下的跨域和跨机器故障诊断方面的卓越性能。提出的方法显示出一致的性能优势与当前基准相比在1次和5次学习配置中5次分类任务的准确率提高了2-5%而在更复杂的10次任务中准确率提高了3-7%。C-GAN-VAE用因果解耦与生成增强破解工业故障诊断的少样本困境一、背景与问题工业智能诊断面临的三重困境行星齿轮箱广泛应用于风电、航空航天和重型机械等关键工业领域一旦发生故障轻则停产重则酿成安全事故。因此高精度的故障诊断技术至关重要。近年来以卷积神经网络CNN、循环神经网络RNN、深度信念网络DBN为代表的深度学习方法在故障诊断领域取得了显著进展。然而这些方法在实际工业部署中面临三重核心困境。困境一标注数据极度稀缺Few-shot Problem在真实工业场景中故障样本本就稀少且人工标注耗时耗力。现有方法往往需要大量带标签数据才能收敛在每类只有 1 个或 5 个样本的少样本条件下诊断精度急剧下降。困境二细粒度故障难以区分Fine-grained Problem粗粒度诊断只能告诉你齿轮坏了而实际维护需要知道是哪颗齿、哪种损伤、多严重。细粒度诊断要求模型区分视觉或振动信号差异极为细微的故障类别这在数据稀少时尤为困难。困境三跨域泛化能力不足Cross-domain Problem不同机器的振动信号分布差异显著转速、负载、采样设备各不相同。在源域训练的模型往往无法直接迁移到目标域而现有跨域方法依然依赖大量有标签数据。更深层的根因忽略了因果机制论文作者特别指出上述困境的深层原因在于现有方法学到的是数据中的表面统计相关性而非故障信号背后的根本因果机制。例如模型可能把某一频率成分与某类故障绑定但这一关联可能只在特定工况下成立换个转速就失效了。二、相关工作的局限性在进入方法介绍之前论文对现有方案的不足做了系统梳理元学习方法如 MAML虽能在少样本场景下适应新任务但依赖任务特定的特征提取跨域泛化仍然困难迁移学习方法提升了跨域能力但在标注数据极少时效果有限因果解耦方法如 Causal GAT、三阶段因果特征学习虽引入了因果性但往往采用多阶段训练流程复杂且未与生成增强统一生成对抗网络GAN类方法能生成合成数据缓解数据稀缺但未对潜空间的因果结构进行约束生成数据质量和判别能力有限。三、C-GAN-VAE 框架统一的解决方案3.1 整体框架本文提出的C-GAN-VAECausal Generative Adversarial Variational Autoencoder将三个核心模块有机融合变分自编码器VAE、条件生成对抗网络CGAN和因果 Q 网络CQN通过单阶段训练同时优化四类损失函数。【论文 Fig. 3整体框架图展示数据采集与处理、模型训练、验证测试三个阶段】【论文 Fig. 4C-GAN-VAE 模型流程图展示编码器、解码器、生成器、判别器、Q 网络、CQN 的连接关系】整个诊断流程分为四个阶段数据预处理原始振动信号经 FFT 变换到频域每段 1024 点取前 512 个幅值谱点作为输入特征对应 0 Hz 到奈奎斯特频率。使用 Hanning 窗以减少频谱泄漏。支持集与查询集严格按时间顺序分割避免信息泄露。少样本任务构建数据按 N-way K-shot 形式组织为多个任务每个任务包含支持集和查询集。模型训练在训练模块中VAE、CGAN、CQN 协同工作共同优化总损失函数。验证与测试编码器提取潜在特征经半监督高斯混合模型分类器输出故障诊断结果。3.2 三大核心模块模块一变分自编码器VAE—— 概率潜空间建模VAE 是整个框架的骨干。编码器将输入数据 x 映射为潜空间分布由均值和方差参数化解码器则从潜变量 z 重构输入数据。VAE 通过优化证据下界ELBO进行训练其中第一项为重构损失第二项为 KL 散度正则化项确保潜空间连续且结构良好。【论文 Fig. 2VAE 结构图】模块二条件生成对抗网络CGAN—— 有条件的高质量数据生成标准 GAN 无法控制生成数据的类别而 CGAN 引入条件向量 c故障类别标签使生成器能够定向生成特定故障类别的合成样本判别器同时评估样本的真实性和类别一致性损失函数为关键创新在于 CGAN 被独特地集成进 GM-VAE 的潜空间优化中——生成器利用潜变量 z、类别标签 y 和因果码 c 共同合成故障信号而非简单地在数据空间进行扩增。【配图论文 Fig. 1CGAN 结构图】模块三因果 Q 网络CQN—— 潜空间的因果解耦这是本文最核心的创新。CQN 基于结构因果模型SCM的理论框架将潜变量 z 解耦为对应不同故障因果机制的独立因子。整个潜变量生成过程被建模为其中 z 为潜向量c 为因果故障机制码y 为故障标签为与二者独立的外生噪声。CQN 的核心目标是最小化 z、c、y 三者之间的互信息强制模型丢弃虚假相关性专注于产生故障的本质因果因子。因果解耦损失定义为互信息通过批次协方差矩阵高效估计【论文 Fig. 5CQN 流程图展示 Q 网络、预测码 C、因果解耦模块、因果损失和互信息损失的连接关系】防止退化解为防止 c 退化为零信息论文强制要求因果码 c 同时作为生成器的输入之一。这迫使 c 必须保留生成正确故障类型所需的基本信息从而确保其对诊断任务的实质意义。3.3 统一损失函数四项损失加权组合为总损失默认权重参数。各损失的作用分工明确损失项作用保留细粒度故障信号的精细特征保证重构质量驱动生成器产生以假乱真的合成故障样本直接最小化互信息确保潜在码捕获有意义的信息强制 z 与 y 因果解耦提升对未见类别的泛化能力3.4 网络结构与超参数【配表论文 Table 3C-GAN-VAE 各网络层结构输入/输出维度、激活函数】【配表论文 Table 4C-GAN-VAE 模型超参数批大小、学习率、epoch 数、潜变量维度等】编码器和解码器均采用多层线性层配合 LeakyReLU 激活并引入多头自注意力层MultiHeadSelfAttention以捕获频域特征的长程依赖关系。Q 网络采用带 Dropout 的多层感知机输出维度为 10因果码维度。四、实验设置4.1 数据集一SQI 行星齿轮箱数据集该数据集来自论文作者团队自建的驱动系统故障仿真测试台包含以下特点【配图论文 Fig. 6测试台实物图和传感器安装位置图】【配表论文 Table 1测试台参数传感器型号、采样频率 12.8 kHz、采样时长 10s 等】故障类别20 种健康状态1 种正常、7 种单一故障、12 种复合故障跨 3 种转速40/45/50 Hz共60 类细粒度故障故障组合方式同时包含齿轮故障缺齿、根部裂纹、表面磨损、崩齿和轴承故障外圈、内圈、滚动体并可形成复合故障【配表论文 Table 2行星齿轮箱健康状态详细列表】【配图论文 Fig. 77 种单一故障零件实物图】【配图论文 Fig. 850 Hz 工况下 7 种单一故障状态的时域和频域图】数据集按 40/10/10 类划分为训练集、验证集和测试集。4.2 数据集二CWRU 轴承数据集CWRU 数据集是旋转机械故障诊断领域最广泛使用的公开基准数据集包含109 类细粒度故障12k 驱动端轴承故障 60 类、12k 风扇端轴承故障 45 类、正常数据 45 类细粒度状态。【配图论文 Fig. 14CWRU 实验平台示意图】【配表论文 Table 8CWRU 数据集实验平台参数】【配图论文 Fig. 15CWRU 数据集 5 种典型状态的时域和频域图】故障按 4 种损伤直径0.007、0.014、0.021、0.028、4 种转速1797/1772/1750/1730 rpm和 3 种故障位置6:00、3:00、12:00 方向细分。按 69/20/20 类划分训练、验证和测试集。五、实验结果与分析5.1 SQI 数据集上的基础诊断性能【配表论文 Table 5C-GAN-VAE 在 SQI 数据集上的实验结果5-way/10-way × 1-shot/5-shot】在 SQI 数据集上C-GAN-VAE 取得了以下成绩5-way 5-shot92.63 ± 0.29%最高精度5-way 1-shot87.69 ± 0.43%10-way 5-shot85.63 ± 0.46%10-way 1-shot81.72 ± 0.58%5-shot 任务的精度比 1-shot 高约 5%表明更多支持样本帮助 CGAN 生成了更高质量的合成数据从而细化了决策边界。10-way 任务的精度低于 5-way符合分类类别增多后难度上升的预期但模型仍维持了较强的鲁棒性。【配图论文 Fig. 10SQI 数据集上的混淆矩阵(a) 5-way 1-shot(b) 5-way 5-shot(c) 10-way 1-shot(d) 10-way 5-shot】混淆矩阵显示各类别的诊断精度分布均匀没有出现特别突出的误分类情况说明模型在不同故障类别间具有较好的平衡性。【配图论文 Fig. 11SQI 数据集上的 t-SNE 可视化4 种任务配置】t-SNE 可视化进一步验证了潜在特征的优质聚类性能——即便在最困难的 10-way 5-shot 场景下不同类别的特征簇依然清晰分离无明显混叠体现了因果解耦的有效性。【配图论文 Fig. 12SQI 数据集上 C-GAN-VAE 的训练精度曲线(a) 5-way(b) 10-way】训练曲线表明模型精度随 epoch 增加稳步提升并趋于收敛5-way 任务收敛更快10-way 任务需要更多迭代才能稳定这与任务复杂度的预期相符。5.2 消融实验与对比实验【配表论文 Table 6消融实验模型设置Model 1无 CGAN 无 CQNModel 2有 CGAN 无 CQNModel 3无 CGAN 有 CQNC-GAN-VAE两者均有】【配表论文 Table 7SQI 数据集上消融与对比实验结果与 WDCNN、MAML、SSMN、SeGMVAE 的全面比较】【配图论文 Fig. 13SQI 数据集上跨域少样本故障诊断结果对比柱状图】消融实验关键结论模型平均精度说明Model 1基础 VAE81.87%无 CGAN无 CQNModel 2CGAN84.27%生成增强有效Model 3CQN85.38%因果解耦有效C-GAN-VAE完整86.61%两者协同效果最优与四种对比方法的横向比较结果同样令人信服相比 WDCNNSiamese 网络基线5-way 1-shot 精度提升约 21 个百分点相比近期最优方法 SeGMVAE5-way 1-shot 提升 2.44%10-way 1-shot 提升 0.8%在更难的 10-way 任务中相比其他方法的平均优势达 17.55%1-shot和 16.06%5-shotMacro-F15-way 5-shot92.1%vs. SeGMVAE 90.5%SSMN 85.2%。所有比较均通过配对 t 检验5 次重复p 0.01确认统计显著性。5.3 CWRU 数据集上的诊断性能【配表论文 Table 9CWRU 数据集上各方法对比结果】【配图论文 Fig. 17CWRU 数据集上跨域少样本故障诊断结果对比柱状图】C-GAN-VAE 在 CWRU 数据集上达到了更高的精度水平5-way 5-shot99.12 ± 0.28%5-way 1-shot98.58 ± 0.32%10-way 5-shot98.72 ± 0.14%10-way 1-shot97.89 ± 0.23%CWRU 数据集上的精度整体高于 SQI这是因为 CWRU 的故障类别间差异更为显著单一故障、特征鲜明而 SQI 包含大量复合故障振动模式存在重叠诊断难度更大。【配图论文 Fig. 18CWRU 数据集上的混淆矩阵4 种任务配置】【配图论文 Fig. 19CWRU 数据集上的 t-SNE 可视化】【配图论文 Fig. 20CWRU 数据集上的训练精度曲线】混淆矩阵近乎对角化t-SNE 中各类别特征簇清晰分离训练曲线收敛比 SQI 更快进一步证实了方法的有效性。5.4 跨机器诊断性能跨机器诊断实验在 SQI 和 CWRU 两个数据集之间双向进行这两个数据集存在显著的域偏移故障类型不同复合 vs 单一、采样频率不同、负载条件不同。【配图论文 Fig. 21跨机器故障诊断任务划分示意图(a) CWRU→SQI(b) SQI→CWRU】方向一SQI → CWRU用复杂的复合故障知识诊断简单的单一故障【配表论文 Table 10SQI→CWRU 跨机器细粒度故障诊断结果】C-GAN-VAE 的 5-way 5-shot 精度高达97.42%平均精度超过 95%充分体现了因果潜空间的强迁移能力。方向二CWRU → SQI用简单的单一故障知识诊断复杂的复合故障【配表论文 Table 11CWRU→SQI 跨机器细粒度故障诊断结果】此方向难度显著更高但 C-GAN-VAE 的 5-way 5-shot 精度仍达84.44%依然优于所有对比方法。【配图论文 Fig. 22两种跨机器方向下各方法的诊断结果对比柱状图】六、方法核心优势总结通过以上实验C-GAN-VAE 展现出如下核心优势1. 因果解耦带来真正的泛化CQN 通过最小化互信息迫使模型抛弃数据中的虚假相关性学习到可迁移的因果表示。这是模型在跨域、跨机器场景下仍能保持高精度的根本原因。2. 生成增强有效应对数据稀缺CGAN 在潜空间中生成条件于故障类别的高质量合成数据有效扩充了训练集。1-shot 与 5-shot 之间约 5% 的精度差表明支持样本越多CGAN 的生成质量越高决策边界越精确。3. 两模块协同效果优于单独使用消融实验清晰地证明了 CGAN 和 CQN 的互补性CGAN 提供了多样化的训练数据CQN 确保学习到的特征具备因果意义二者缺一不可。4. 单阶段训练兼顾效率与性能相比需要多阶段训练的现有因果学习方法C-GAN-VAE 的统一损失函数设计使所有模块在一次训练过程中协同优化工程实现更为简洁。七、局限性与未来方向论文作者坦诚地指出了现有工作的局限零样本场景尚未覆盖当前方法仍需要目标类别的少量标注样本1-shot 或 5-shot而真正的零样本诊断目标机器完全无标签是更具挑战性的目标跨机器方向不对称从简单单一故障CWRU迁移到复杂复合故障SQI时精度下降较明显这是因复合故障特征空间更复杂所致。未来研究方向将集中于利用模型发现的因果潜空间进行跨机器迁移结合无监督域自适应和自监督微调实现从少样本学习到零样本学习的跨越进一步提升在更复杂工业场景多机器、多工况下的适应能力。八、总结C-GAN-VAE 是一个在少样本、细粒度、跨域三重约束下同时取得突破的故障诊断框架。其核心创新在于将因果解耦CQN与生成增强CGAN统一进变分自编码器框架通过单阶段训练实现四目标联合优化。在两个权威数据集的 80 余组实验配置中C-GAN-VAE 始终优于对比方法在 5-way 分类任务中提升 2-5%在更具挑战的 10-way 任务中提升 3-7%并在跨机器诊断场景中展现了强大的迁移能力。这项工作为工业故障诊断领域提供了一个重要的研究范式不仅要让模型学得好更要让模型学得对——理解故障的因果本质而非记忆表面规律。 （论文速读）C-GAN-VAE：行星变速箱少发细粒度跨域故障诊断的因果生成式对抗性变分自动编码器
论文题目C-GAN-VAE: Causal Generative Adversarial Variational Autoencoder for few shot fine grained cross domain fault diagnosis for planetary gearbox行星变速箱少发细粒度跨域故障诊断的因果生成式对抗性变分自动编码器期刊Engineering Applications of Artificial Intelligence摘要深度学习给这一领域带来了巨大的进步但目前的方法在少数几次学习的情况下以及在推广到以前未遇到的故障类型方面面临着巨大的困难。这些限制源于两个主要因素对标记的训练数据的大量需求在实际应用中往往不可用以及未能识别和表示支配故障模式的基本原因机制。为了解决这些关键挑战本文引入了因果生成性对抗性变分自动编码器(C-GAN-VAE)框架。关键的创新是在单阶段训练中结合重建、对抗性、代码预测和因果解缠目标的统一损失函数而不是现有方法要么忽略因果关系要么采用复杂的多阶段过程。我们的体系结构结合了一个专门的因果Q网络(CQN)它将潜在的表征分解成与不同的故障相关因果机制相对应的独立因素大大提高了新的故障识别能力。该框架进一步集成了条件生成对抗网络(CGAN)生成高质量的合成样本来扩充有限的故障数据从而加强了数据稀缺情况下的模型泛化。在Spectra Quest Inc.(SQI)风力涡轮机传动系模拟试验台数据集和凯斯西部储备大学(CWRU)数据集上进行的综合评估验证了C-GaN-VAE在少发约束下的跨域和跨机器故障诊断方面的卓越性能。提出的方法显示出一致的性能优势与当前基准相比在1次和5次学习配置中5次分类任务的准确率提高了2-5%而在更复杂的10次任务中准确率提高了3-7%。C-GAN-VAE用因果解耦与生成增强破解工业故障诊断的少样本困境一、背景与问题工业智能诊断面临的三重困境行星齿轮箱广泛应用于风电、航空航天和重型机械等关键工业领域一旦发生故障轻则停产重则酿成安全事故。因此高精度的故障诊断技术至关重要。近年来以卷积神经网络CNN、循环神经网络RNN、深度信念网络DBN为代表的深度学习方法在故障诊断领域取得了显著进展。然而这些方法在实际工业部署中面临三重核心困境。困境一标注数据极度稀缺Few-shot Problem在真实工业场景中故障样本本就稀少且人工标注耗时耗力。现有方法往往需要大量带标签数据才能收敛在每类只有 1 个或 5 个样本的少样本条件下诊断精度急剧下降。困境二细粒度故障难以区分Fine-grained Problem粗粒度诊断只能告诉你齿轮坏了而实际维护需要知道是哪颗齿、哪种损伤、多严重。细粒度诊断要求模型区分视觉或振动信号差异极为细微的故障类别这在数据稀少时尤为困难。困境三跨域泛化能力不足Cross-domain Problem不同机器的振动信号分布差异显著转速、负载、采样设备各不相同。在源域训练的模型往往无法直接迁移到目标域而现有跨域方法依然依赖大量有标签数据。更深层的根因忽略了因果机制论文作者特别指出上述困境的深层原因在于现有方法学到的是数据中的表面统计相关性而非故障信号背后的根本因果机制。例如模型可能把某一频率成分与某类故障绑定但这一关联可能只在特定工况下成立换个转速就失效了。二、相关工作的局限性在进入方法介绍之前论文对现有方案的不足做了系统梳理元学习方法如 MAML虽能在少样本场景下适应新任务但依赖任务特定的特征提取跨域泛化仍然困难迁移学习方法提升了跨域能力但在标注数据极少时效果有限因果解耦方法如 Causal GAT、三阶段因果特征学习虽引入了因果性但往往采用多阶段训练流程复杂且未与生成增强统一生成对抗网络GAN类方法能生成合成数据缓解数据稀缺但未对潜空间的因果结构进行约束生成数据质量和判别能力有限。三、C-GAN-VAE 框架统一的解决方案3.1 整体框架本文提出的C-GAN-VAECausal Generative Adversarial Variational Autoencoder将三个核心模块有机融合变分自编码器VAE、条件生成对抗网络CGAN和因果 Q 网络CQN通过单阶段训练同时优化四类损失函数。【论文 Fig. 3整体框架图展示数据采集与处理、模型训练、验证测试三个阶段】【论文 Fig. 4C-GAN-VAE 模型流程图展示编码器、解码器、生成器、判别器、Q 网络、CQN 的连接关系】整个诊断流程分为四个阶段数据预处理原始振动信号经 FFT 变换到频域每段 1024 点取前 512 个幅值谱点作为输入特征对应 0 Hz 到奈奎斯特频率。使用 Hanning 窗以减少频谱泄漏。支持集与查询集严格按时间顺序分割避免信息泄露。少样本任务构建数据按 N-way K-shot 形式组织为多个任务每个任务包含支持集和查询集。模型训练在训练模块中VAE、CGAN、CQN 协同工作共同优化总损失函数。验证与测试编码器提取潜在特征经半监督高斯混合模型分类器输出故障诊断结果。3.2 三大核心模块模块一变分自编码器VAE—— 概率潜空间建模VAE 是整个框架的骨干。编码器将输入数据 x 映射为潜空间分布由均值和方差参数化解码器则从潜变量 z 重构输入数据。VAE 通过优化证据下界ELBO进行训练其中第一项为重构损失第二项为 KL 散度正则化项确保潜空间连续且结构良好。【论文 Fig. 2VAE 结构图】模块二条件生成对抗网络CGAN—— 有条件的高质量数据生成标准 GAN 无法控制生成数据的类别而 CGAN 引入条件向量 c故障类别标签使生成器能够定向生成特定故障类别的合成样本判别器同时评估样本的真实性和类别一致性损失函数为关键创新在于 CGAN 被独特地集成进 GM-VAE 的潜空间优化中——生成器利用潜变量 z、类别标签 y 和因果码 c 共同合成故障信号而非简单地在数据空间进行扩增。【配图论文 Fig. 1CGAN 结构图】模块三因果 Q 网络CQN—— 潜空间的因果解耦这是本文最核心的创新。CQN 基于结构因果模型SCM的理论框架将潜变量 z 解耦为对应不同故障因果机制的独立因子。整个潜变量生成过程被建模为其中 z 为潜向量c 为因果故障机制码y 为故障标签为与二者独立的外生噪声。CQN 的核心目标是最小化 z、c、y 三者之间的互信息强制模型丢弃虚假相关性专注于产生故障的本质因果因子。因果解耦损失定义为互信息通过批次协方差矩阵高效估计【论文 Fig. 5CQN 流程图展示 Q 网络、预测码 C、因果解耦模块、因果损失和互信息损失的连接关系】防止退化解为防止 c 退化为零信息论文强制要求因果码 c 同时作为生成器的输入之一。这迫使 c 必须保留生成正确故障类型所需的基本信息从而确保其对诊断任务的实质意义。3.3 统一损失函数四项损失加权组合为总损失默认权重参数。各损失的作用分工明确损失项作用保留细粒度故障信号的精细特征保证重构质量驱动生成器产生以假乱真的合成故障样本直接最小化互信息确保潜在码捕获有意义的信息强制 z 与 y 因果解耦提升对未见类别的泛化能力3.4 网络结构与超参数【配表论文 Table 3C-GAN-VAE 各网络层结构输入/输出维度、激活函数】【配表论文 Table 4C-GAN-VAE 模型超参数批大小、学习率、epoch 数、潜变量维度等】编码器和解码器均采用多层线性层配合 LeakyReLU 激活并引入多头自注意力层MultiHeadSelfAttention以捕获频域特征的长程依赖关系。Q 网络采用带 Dropout 的多层感知机输出维度为 10因果码维度。四、实验设置4.1 数据集一SQI 行星齿轮箱数据集该数据集来自论文作者团队自建的驱动系统故障仿真测试台包含以下特点【配图论文 Fig. 6测试台实物图和传感器安装位置图】【配表论文 Table 1测试台参数传感器型号、采样频率 12.8 kHz、采样时长 10s 等】故障类别20 种健康状态1 种正常、7 种单一故障、12 种复合故障跨 3 种转速40/45/50 Hz共60 类细粒度故障故障组合方式同时包含齿轮故障缺齿、根部裂纹、表面磨损、崩齿和轴承故障外圈、内圈、滚动体并可形成复合故障【配表论文 Table 2行星齿轮箱健康状态详细列表】【配图论文 Fig. 77 种单一故障零件实物图】【配图论文 Fig. 850 Hz 工况下 7 种单一故障状态的时域和频域图】数据集按 40/10/10 类划分为训练集、验证集和测试集。4.2 数据集二CWRU 轴承数据集CWRU 数据集是旋转机械故障诊断领域最广泛使用的公开基准数据集包含109 类细粒度故障12k 驱动端轴承故障 60 类、12k 风扇端轴承故障 45 类、正常数据 45 类细粒度状态。【配图论文 Fig. 14CWRU 实验平台示意图】【配表论文 Table 8CWRU 数据集实验平台参数】【配图论文 Fig. 15CWRU 数据集 5 种典型状态的时域和频域图】故障按 4 种损伤直径0.007、0.014、0.021、0.028、4 种转速1797/1772/1750/1730 rpm和 3 种故障位置6:00、3:00、12:00 方向细分。按 69/20/20 类划分训练、验证和测试集。五、实验结果与分析5.1 SQI 数据集上的基础诊断性能【配表论文 Table 5C-GAN-VAE 在 SQI 数据集上的实验结果5-way/10-way × 1-shot/5-shot】在 SQI 数据集上C-GAN-VAE 取得了以下成绩5-way 5-shot92.63 ± 0.29%最高精度5-way 1-shot87.69 ± 0.43%10-way 5-shot85.63 ± 0.46%10-way 1-shot81.72 ± 0.58%5-shot 任务的精度比 1-shot 高约 5%表明更多支持样本帮助 CGAN 生成了更高质量的合成数据从而细化了决策边界。10-way 任务的精度低于 5-way符合分类类别增多后难度上升的预期但模型仍维持了较强的鲁棒性。【配图论文 Fig. 10SQI 数据集上的混淆矩阵(a) 5-way 1-shot(b) 5-way 5-shot(c) 10-way 1-shot(d) 10-way 5-shot】混淆矩阵显示各类别的诊断精度分布均匀没有出现特别突出的误分类情况说明模型在不同故障类别间具有较好的平衡性。【配图论文 Fig. 11SQI 数据集上的 t-SNE 可视化4 种任务配置】t-SNE 可视化进一步验证了潜在特征的优质聚类性能——即便在最困难的 10-way 5-shot 场景下不同类别的特征簇依然清晰分离无明显混叠体现了因果解耦的有效性。【配图论文 Fig. 12SQI 数据集上 C-GAN-VAE 的训练精度曲线(a) 5-way(b) 10-way】训练曲线表明模型精度随 epoch 增加稳步提升并趋于收敛5-way 任务收敛更快10-way 任务需要更多迭代才能稳定这与任务复杂度的预期相符。5.2 消融实验与对比实验【配表论文 Table 6消融实验模型设置Model 1无 CGAN 无 CQNModel 2有 CGAN 无 CQNModel 3无 CGAN 有 CQNC-GAN-VAE两者均有】【配表论文 Table 7SQI 数据集上消融与对比实验结果与 WDCNN、MAML、SSMN、SeGMVAE 的全面比较】【配图论文 Fig. 13SQI 数据集上跨域少样本故障诊断结果对比柱状图】消融实验关键结论模型平均精度说明Model 1基础 VAE81.87%无 CGAN无 CQNModel 2CGAN84.27%生成增强有效Model 3CQN85.38%因果解耦有效C-GAN-VAE完整86.61%两者协同效果最优与四种对比方法的横向比较结果同样令人信服相比 WDCNNSiamese 网络基线5-way 1-shot 精度提升约 21 个百分点相比近期最优方法 SeGMVAE5-way 1-shot 提升 2.44%10-way 1-shot 提升 0.8%在更难的 10-way 任务中相比其他方法的平均优势达 17.55%1-shot和 16.06%5-shotMacro-F15-way 5-shot92.1%vs. SeGMVAE 90.5%SSMN 85.2%。所有比较均通过配对 t 检验5 次重复p 0.01确认统计显著性。5.3 CWRU 数据集上的诊断性能【配表论文 Table 9CWRU 数据集上各方法对比结果】【配图论文 Fig. 17CWRU 数据集上跨域少样本故障诊断结果对比柱状图】C-GAN-VAE 在 CWRU 数据集上达到了更高的精度水平5-way 5-shot99.12 ± 0.28%5-way 1-shot98.58 ± 0.32%10-way 5-shot98.72 ± 0.14%10-way 1-shot97.89 ± 0.23%CWRU 数据集上的精度整体高于 SQI这是因为 CWRU 的故障类别间差异更为显著单一故障、特征鲜明而 SQI 包含大量复合故障振动模式存在重叠诊断难度更大。【配图论文 Fig. 18CWRU 数据集上的混淆矩阵4 种任务配置】【配图论文 Fig. 19CWRU 数据集上的 t-SNE 可视化】【配图论文 Fig. 20CWRU 数据集上的训练精度曲线】混淆矩阵近乎对角化t-SNE 中各类别特征簇清晰分离训练曲线收敛比 SQI 更快进一步证实了方法的有效性。5.4 跨机器诊断性能跨机器诊断实验在 SQI 和 CWRU 两个数据集之间双向进行这两个数据集存在显著的域偏移故障类型不同复合 vs 单一、采样频率不同、负载条件不同。【配图论文 Fig. 21跨机器故障诊断任务划分示意图(a) CWRU→SQI(b) SQI→CWRU】方向一SQI → CWRU用复杂的复合故障知识诊断简单的单一故障【配表论文 Table 10SQI→CWRU 跨机器细粒度故障诊断结果】C-GAN-VAE 的 5-way 5-shot 精度高达97.42%平均精度超过 95%充分体现了因果潜空间的强迁移能力。方向二CWRU → SQI用简单的单一故障知识诊断复杂的复合故障【配表论文 Table 11CWRU→SQI 跨机器细粒度故障诊断结果】此方向难度显著更高但 C-GAN-VAE 的 5-way 5-shot 精度仍达84.44%依然优于所有对比方法。【配图论文 Fig. 22两种跨机器方向下各方法的诊断结果对比柱状图】六、方法核心优势总结通过以上实验C-GAN-VAE 展现出如下核心优势1. 因果解耦带来真正的泛化CQN 通过最小化互信息迫使模型抛弃数据中的虚假相关性学习到可迁移的因果表示。这是模型在跨域、跨机器场景下仍能保持高精度的根本原因。2. 生成增强有效应对数据稀缺CGAN 在潜空间中生成条件于故障类别的高质量合成数据有效扩充了训练集。1-shot 与 5-shot 之间约 5% 的精度差表明支持样本越多CGAN 的生成质量越高决策边界越精确。3. 两模块协同效果优于单独使用消融实验清晰地证明了 CGAN 和 CQN 的互补性CGAN 提供了多样化的训练数据CQN 确保学习到的特征具备因果意义二者缺一不可。4. 单阶段训练兼顾效率与性能相比需要多阶段训练的现有因果学习方法C-GAN-VAE 的统一损失函数设计使所有模块在一次训练过程中协同优化工程实现更为简洁。七、局限性与未来方向论文作者坦诚地指出了现有工作的局限零样本场景尚未覆盖当前方法仍需要目标类别的少量标注样本1-shot 或 5-shot而真正的零样本诊断目标机器完全无标签是更具挑战性的目标跨机器方向不对称从简单单一故障CWRU迁移到复杂复合故障SQI时精度下降较明显这是因复合故障特征空间更复杂所致。未来研究方向将集中于利用模型发现的因果潜空间进行跨机器迁移结合无监督域自适应和自监督微调实现从少样本学习到零样本学习的跨越进一步提升在更复杂工业场景多机器、多工况下的适应能力。八、总结C-GAN-VAE 是一个在少样本、细粒度、跨域三重约束下同时取得突破的故障诊断框架。其核心创新在于将因果解耦CQN与生成增强CGAN统一进变分自编码器框架通过单阶段训练实现四目标联合优化。在两个权威数据集的 80 余组实验配置中C-GAN-VAE 始终优于对比方法在 5-way 分类任务中提升 2-5%在更具挑战的 10-way 任务中提升 3-7%并在跨机器诊断场景中展现了强大的迁移能力。这项工作为工业故障诊断领域提供了一个重要的研究范式不仅要让模型学得好更要让模型学得对——理解故障的因果本质而非记忆表面规律。