基于强化类级匹配网络的齿轮箱跨域故障诊断

来源：动力工程学报杂志2026年第1期北京时间：

作者：饶朗, 邓艾东, 邓敏强, 吴一凡, 夏卫平, 胡沁怡,

摘要：为解决风电机组齿轮箱无监督域适应故障诊断领域存在的分类器决策边界附近样本误分类的问题,提出了一种强化类级匹配网络(RCMN)。该网络在最大化分类器差异的基础上,一方面通过引入基于伪标签的多步训练类级匹配机制,解决决策边界附近样本误分类的问题;另一方面引入自适应对比学习损失函数,解决原有损失函数鲁棒性较差、对参数敏感的缺点。最后,在变转速和变负载2个案例下进行了模型验证。结果表明:在2个案例(共计12个迁移学习任务)中,RCMN的故障诊断准确率均高于最大均值差异、深度相关对齐网络、深度对抗领域适配网络和最大化分类器差异;所提RCMN在解决因分类器决策边界附近样本误分类导致的故障诊断准确率较低的问题上具有一定的有效性和优越性。

关键词：故障诊断,无监督,类级匹配,最大化分类器差异,变工况,