基于IMF模态筛选改进双阶段迁移学习的复合故障诊断方法研究

来源：振动与冲击杂志2026年第3期北京时间：

作者：张莉zhangli9@bucea,，岳文博,，黄梦君,，杨建伟,

单位：1.北京建筑大学机电与车辆工程学院，北京100044；2.北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室，北京100044

摘要：针对城轨列车轴箱与齿轮箱等关键机械系统的复合故障样本缺乏、多部件耦合场景下复合故障特征难以有效提取，导致现有深度迁移方法诊断精度不高的问题，提出一种基于本征模态函数（Intrinsic Mode Function, IMF）筛选改进双阶段迁移学习的复合故障诊断方法。首先采用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN）算法分解复合故障信号，利用小波包变换实现多频带特征增强，并通过粒子群算法筛选与源域分布最匹配的IMF分量。然后建立双阶段混合注意力深度模型，分别利用源域单一故障数据训练两阶段模型，将第一阶段的分类结果应用于第二阶段，通过两阶段互斥标签损失优化实现对复合故障的精准识别。实验结果表明，在轴承复合故障及齿轮-轴承部件级复合故障诊断任务中，提出方法的平均识别率均较高，实现了从单一故障到复合故障的迁移诊断。<br>

关键词：复合故障诊断；模态筛选；双阶段迁移学习；自适应噪声完备集合经验模态分解（CEEMDAN）