基于改进域对抗网络的齿轮箱跨工况故障诊断

来源：电子测量技术杂志2025年第3期北京时间：

作者：贾宝惠，苏家成，高源

单位：1.中国民航大学交通科学与工程学院 天津 300300; 2.中国民航大学安全科学与工程学院 天津 300300

摘要：针对不同工况下采集的齿轮箱振动数据特征分布不一致和噪声成分影响迁移效果的问题，本文提出了一种结合注意力机制的域对抗迁移网络的深度迁移学习故障诊断方法。首先，将带标签的振动信号和未带标签的振动信号通过固定长度的数据分割方法构建成数据集；其次，为减少噪声样本带来的负迁移影响，采用卷积注意力模块（CBAM）以及判别损失项辅助特征提取器提取具有区分度的特征，加强分类决策边界；最后，为解决数据特征分布不一致的问题，采用多核最大均值差异（MK-MMD）对齐源域和目标域的全局分布，并利用对抗机制对齐两域的子领域分布。在公开的变工况齿轮箱故障数据集上进行试验验证，结果表明，所提方法的平均识别准确率达到96.25%以上，并通过与其他诊断方法的对比分析，验证了所提方法的有效性和优越性。

关键词：判别损失项;卷积注意力模块;域对抗迁移网络;迁移学习;故障诊断

基金资助：国家自然科学基金委员会中国民用航空局联合研究基金 (U2033209)、中央高校基本科研业务费（KJZ53420240023）项目资助