基于IDANN的跨工况齿轮箱故障诊断

来源：振动与冲击杂志2025年第9期北京时间：

作者：赵玲zhao.ling，邹杰，秦佳继，王航

单位：重庆交通大学信息科学与工程学院，重庆400074

摘要：迁移学习的方法在解决齿轮箱无监督故障诊断问题上取得了极大的进展。然而，由于齿轮箱数据分布差异、噪声和干扰以及模型的局限性影响，大多方法在面对复杂的齿轮箱数据集迁移效果不佳，同时对于网络输入的可解释性研究仍然很少。本文提出了一种改进的域对抗网络（Improve Domain-Adversarial Neural Network, IDANN）。首先使用改进的时频网络作为特征提取器，在信号输入网络的时候提供可解释性和降噪功能，然后在域对抗网络中添加目标域的类级对齐方法，使用两个分类器来检测靠近决策边界的目标样本，以增强迁移性能。在东南大学齿轮箱和跨座式单轨齿轮箱数据集上验证了IDANN的有效性和可靠性，并在凯斯西储大学轴承数据集上测试IDANN在噪声条件下的性能，实验证明IDANN具有优秀的诊断性能和鲁棒性。<br>

关键词：迁移学习；可解释网络；跨工况故障诊断