基于独立分类器GAN的AGV电池故障诊断OA

针对自动导引车AGV(automatic guided vehicle)动力电池故障诊断中因样本稀疏性与类别不平衡导致的模型性能退化问题,提出一种结合梯度惩罚和独立分类器的生成对抗网络GPSC-GAN(gradient penalization and separate classifier-generative adversarial network)。首先,通过引入带梯度惩罚的瓦瑟斯坦(Wasserstein)距离优化判别器损失函数,约束生成样本与真实电池故障特征的分布差异,提升模型训练稳定性。其次,设计1个独立分类器模块,解耦分类与判别功能,生成多模式高质量故障样本以构建平衡数据集。在AGV电池故障数据集上的实验结果表明,GPSC-GAN生成样本的结构相似性指数度量SSIM(structural similarity index measure)与最大均值差异MMD(maximum mean difference)分别达到0.5和0.2,较WGAN-GP、ACGAN、SMOTE、ADASYN、Diffusion GAN和Style GAN-T模型提升25%~66%。融合生成样本后,故障诊断模型的F1分数达到0.938,精确率与召回率分别达到94.6%和93.0%,优于其他6种对比方法,验证了其在复杂工业场景下的高效性与鲁棒性。