利用对比学习增强的分类生成对抗网络（Contrastive Learning Enhanced Categorical Generative Adversarial Network），实现对智能液压系统的高精度少样本故障诊断

《Engineering Applications of Artificial Intelligence》：High-accuracy few-shot fault diagnosis for smart hydraulic systems using contrastive learning enhanced categorical generative adversarial network

摘要液压系统故障诊断方法，提出Contrastive Learning Enhanced Categorical Generative Adversarial Network（Contras-CatGAN），结合生成对抗网络与对比学习，通过STFT提取时频特征，生成高质量故障样本并优化分类器，解决长尾少样本问题，仿真与实验数据诊断准确率分别达94.56%和91.17%，优于现有方法。

　　
独立控制阀液压系统（IMVCHS）作为新一代高效液压控制技术，在航空航天、智能运输装备及工程机械领域展现出显著优势。然而，其复杂的机电液耦合系统结构和有限的数据采集条件，导致故障诊断面临严峻挑战。本文提出Contras-CatGAN方法，通过融合生成对抗网络（GAN）与对比学习的双重优势，有效破解长尾数据与少样本条件下的故障诊断难题。

IMVCHS系统由电控模块、机械执行机构及液压动力单元构成，其独立双阀结构使控制自由度提升3倍以上，较传统伺服系统节能达15%-20%。然而，系统动态特性呈现显著非线性特征：①阀芯运动产生谐波共振，导致监测信号出现周期性畸变；②液压管路长径比变化引发波传导效应，使正常工况信号与故障信号产生模式重叠。实验数据显示，典型故障样本占比不足正常工况的1%，形成典型的"50:1"至"100:1"长尾分布。

传统诊断方法在少样本条件下表现不足，主要受制于：①数据增强维度单一，难以覆盖复杂工况；②特征提取对噪声敏感，易受共振干扰；③分类器在数据分布偏移时泛化能力下降。现有GAN方法存在生成样本类别一致性差（平均跨类熵达0.87）、特征空间重叠度高等缺陷，而对比学习方法在极端数据稀缺时（<10样本/类）收敛困难。

Contras-CatGAN架构创新性地将CatGAN的类别感知生成与对比学习的特征优化相结合。其核心突破体现在两个方面：首先，通过Short-Time Fourier Transform（STFT）提取时间-频率域特征，将物理信号转化为二维时频图像，有效捕捉液压冲击、阀口卡滞等时变特征。实验表明，该预处理使特征空间维数降低62%的同时保留98%的原始信息量。

其次，构建双路径优化机制：生成器端采用条件对抗训练，通过重构故障样本的时频分布特征（如图5所示），生成具有物理可解释性的虚拟样本；分类器端引入加权交叉熵损失（公式见附录），其中正常样本权重设为0.8，故障样本权重设为1.2，有效缓解数据不均衡问题。对比实验显示，在100:1长尾数据条件下，该加权机制使模型对少数类故障的识别率提升37.6%。

技术实现路径包含三个关键模块：①动态特征增强模块，采用STFT将连续信号离散化为128×64的时频图像矩阵；②跨模态生成器，基于ResNet-34架构构建生成-判别双网络，生成器输入为故障类型编码（one-hot格式）+时频特征；③自适应对比损失函数，融合InfoNCE对比损失与条件熵约束，具体参数配置为：α=0.7（对比权重），β=0.3（熵约束权重），γ=0.2（类别平衡系数）。这种多目标优化机制使模型在生成质量（PSNR 29.87dB）和分类精度（F1-score 0.921）间达到最优平衡。

实验验证部分采用双数据集：仿真数据集包含50万组模拟信号，涵盖8类典型故障（电磁阀卡滞、主阀磨损等）；实测数据集采集自上海交大液压国家重点实验室的实验平台，工况覆盖温度范围-20℃至80℃，压力范围10-70MPa。对比实验显示，在5样本/类条件下，Contras-CatGAN较传统GAN提升诊断准确率11.2个百分点，较纯对比学习模型提升9.7个百分点。特别在100:1极端长尾场景下，对主阀磨损（误诊率降至2.3%）和传感器漂移（漏诊率<1.5%）两类关键故障的诊断准确率分别达到89.57%和91.17%，较基线方法提升18.49%。

该方法的工程应用价值体现在：①通过虚拟样本生成技术，使训练数据量减少83%，设备离线训练周期从6个月缩短至2周；②自适应性特征提取模块，对系统参数变化（如液压油黏度变化20%）具有鲁棒性，迁移至新场景时准确率波动<3%；③模块化设计支持与现有液压监测系统集成，硬件成本增加控制在15%以内。据测算，在工程机械领域推广该技术可使故障平均排除时间从4.2小时缩短至1.8小时，年维护成本降低约230万元/千台套。

研究团队通过消融实验证实各模块的有效性：①对比学习模块贡献率约64%，主要体现在特征空间重构能力（t-SNE可视化显示聚类边界清晰度提升40%）；②CatGAN生成模块贡献率58%，其生成的虚拟样本在交叉验证中与真实样本Kullback-Leibler距离降低至0.032；③双路径优化机制使整体收敛速度提升2.3倍，训练稳定性指数（ISI）从0.67提升至0.89。

本工作的局限性在于：①生成样本的极端工况覆盖仍需加强，当前最高工作压力仅达系统额定值的85%；②多传感器融合的扩展性有待验证，计划在后续研究中集成压力、温度等多源数据。但总体而言，该技术为液压系统智能化运维提供了新的方法论框架，特别是在能源密集型工业场景中，预计可使系统综合能效提升8%-12%，助力"双碳"目标实现。

该研究获得国家自然基金（52505067）、国家重点研发计划（2024YFF0505303）及上海浦江计划（24PJA057）资助。研究团队已与三一重工、铁建重工建立合作，计划在2026年完成工程样机验证，相关技术标准申报工作正在推进中。