無監督深度遷移學習的齒輪箱故障診斷*

高麗鵬，雷文平，張 潤，馬洋洋

(1.鄭州大學機械與動力工程學院，鄭州 450001；2.鄭州恩普特科技股份有限公司，鄭州 450001)

0 引言

齒輪箱作為機械旋轉設備中關鍵的傳動零部件，在傳遞運動和動力的過程中承擔著重要角色。工作條件往往較為復雜和惡劣，易發生齒輪、軸承內外圈及滾動體等故障。一旦發生故障，輕則造成設備停機、延誤工期，重則造成不可估量的生命和財產安全[1]。因此對齒輪箱進行有效的故障診斷研究具有重要的意義。

目前，深度遷移學習算法[2-4]作為憑借對數據強大的特征處理和域適應能力得到了國內外研究者的廣泛的關注，取得了顯著的效果。XIE等[5]通過TCA(transfer component analysis，遷移成分分析)實現多工況下對齒輪箱的跨域故障診斷；雷亞國等[6]提出基于特征遷移的故障診斷方法，通過多層域適應完成了對機電軸承的遷移故障診斷；SHAO等[7]利用小波變換將原始信號轉換為時頻圖像，并通過少量標記圖像微調網絡實現對齒輪箱的故障診斷；以上智能故障診斷方法都實現了較好的診斷效果，但很大程度上取決于深度學習模型和標記數據，對無監督遷移診斷問題往往收效甚微，且往往局限于一種模態，可用于訓練的故障特征信息有限，使得在無監督遷移診斷問題上效果不佳。

基于此，針對齒輪箱在實際中工作條件下運行時，待測的目標域數據通常沒有標簽，而標記這些數據較為困難甚至不可能實現的無監督遷移問題。提出一種無監督深度遷移學習方法(UDMAN))應用于齒輪箱的故障診斷。……