基于加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)的齒輪箱變工況故障診斷

關(guān)鍵詞：齒輪箱；不同工況；故障診斷；數(shù)據(jù)融合；域自適應(yīng)

0 引言

齒輪箱由于其高效率、結(jié)構(gòu)緊湊和高承載能力等優(yōu)點(diǎn)，被廣泛應(yīng)用于大型旋轉(zhuǎn)機(jī)械設(shè)備。但齒輪箱長(zhǎng)期在高速、重載等環(huán)境中工作，難免出現(xiàn)性能衰退，甚至運(yùn)行故障，輕則造成設(shè)備停機(jī)、停產(chǎn)，重則導(dǎo)致災(zāi)難性的安全事故，造成生命、財(cái)產(chǎn)損失。因此，對(duì)齒輪箱進(jìn)行故障診斷不僅是維持機(jī)械運(yùn)行效率和可靠性的關(guān)鍵，更是防止產(chǎn)生重大經(jīng)濟(jì)損失的必要措施［1］。

近年來(lái)，隨著工業(yè)自動(dòng)化和智能化的迅速發(fā)展，深度學(xué)習(xí)憑借其強(qiáng)大的數(shù)據(jù)處理能力、自學(xué)習(xí)和特征提取能力，為故障診斷提供了新解決方案［2］1059-1066，卷積神經(jīng)網(wǎng)絡(luò)［3］（ConvolutionalNeuralNetwork，CNN）及其變種網(wǎng)絡(luò)［4］547-553［5］在故障診斷領(lǐng)域得到了廣泛應(yīng)用。然而受限于機(jī)械設(shè)備運(yùn)行環(huán)境、溫度、負(fù)載等環(huán)境因素的影響，工況多變且運(yùn)行狀態(tài)監(jiān)測(cè)困難，不同工況下的數(shù)據(jù)分布差異顯著，導(dǎo)致現(xiàn)有基于深度學(xué)習(xí)診斷模型的性能嚴(yán)重下降［6］。

遷移學(xué)習(xí)通過(guò)遷移策略將源域數(shù)據(jù)訓(xùn)練的模型更好地泛化到目標(biāo)域數(shù)據(jù)上，在處理不同類型數(shù)據(jù)時(shí)兼具靈活性和有效性，在變工況下的故障診斷表現(xiàn)出顯著優(yōu)勢(shì)［7］。當(dāng)前研究主要是在深度學(xué)習(xí)框架中加入適配層以進(jìn)行跨域距離度量，如：王琦等［8］在一維卷積神經(jīng)網(wǎng)絡(luò)（One?DimensionalConvolutionalNeuralNetwork，1DCNN）中引入最大均值差異，在目標(biāo)域存在少量標(biāo)簽樣本的情況下，實(shí)現(xiàn)了變工況故障診斷。朱朋等［9］構(gòu)建殘差注意力模型弱化模型的強(qiáng)共享?xiàng)l件，并結(jié)合子領(lǐng)域自適應(yīng)實(shí)現(xiàn)了時(shí)變轉(zhuǎn)速下滾動(dòng)軸承故障診斷。沈飛等［10］通過(guò)最小化領(lǐng)域均值差異拉近源領(lǐng)域和目標(biāo)域數(shù)據(jù)低緯空間距離，提高了變工況下的齒輪箱故障診斷精度。也有一些研究采取“finetune”方式嘗試微調(diào)參數(shù)進(jìn)行遷移，其遷移參數(shù)受數(shù)據(jù)量與故障類型影響較大。陳仁祥等［11］127-133構(gòu)建了深度置信網(wǎng)絡(luò)提取故障特征，并結(jié)合微調(diào)策略實(shí)現(xiàn)了不同工況下的齒輪箱故障診斷。最新研究已經(jīng)開始嘗試采用新的學(xué)習(xí)模型結(jié)合領(lǐng)域自適應(yīng)思想進(jìn)行診斷。AN等［12］提出了一種基于對(duì)比學(xué)習(xí)的領(lǐng)域適應(yīng)模型，以實(shí)現(xiàn)跨工況的滾動(dòng)軸承故障診斷。

上述方法取得了較好的診斷結(jié)果，但隨著機(jī)械設(shè)備結(jié)構(gòu)日益復(fù)雜，單一振動(dòng)信號(hào)難以完全表征其復(fù)雜的動(dòng)態(tài)響應(yīng)特性，不能滿足當(dāng)前機(jī)械設(shè)備的高精度診斷要求。相較于單一傳感器信號(hào)，多傳感器信號(hào)可以捕獲機(jī)械設(shè)備不同視角的運(yùn)行狀態(tài)信息，增強(qiáng)模型對(duì)判別性特征的完整表達(dá)［13］。侯召國(guó)等［14］采用信息熵對(duì)多傳感器信號(hào)進(jìn)行加權(quán)，并結(jié)合深度遷移模型實(shí)現(xiàn)了源域到目標(biāo)域的遷移。MAO等［15］119構(gòu)建了域自適應(yīng)CNN模型提取振動(dòng)信號(hào)和紅外熱力圖的域不變特征，用于齒輪箱在不同運(yùn)行條件下的故障診斷。ZHANG等［16］提出了一種多傳感器數(shù)據(jù)和多尺度特征融合模型，通過(guò)捕獲來(lái)自多個(gè)傳感器的特征，實(shí)現(xiàn)了域間知識(shí)的有效遷移。

以上方法為故障診斷提供了新思路，但仍存在以下幾個(gè)問題：①信號(hào)采集：融合多組振動(dòng)信號(hào)雖然提供了空間上的多維信息，但實(shí)際工程中受機(jī)械設(shè)備結(jié)構(gòu)限制，傳感器無(wú)法直接在主軸等關(guān)鍵位置布置。振動(dòng)信號(hào)本身易受到環(huán)境因素干擾，伴隨著嘈雜環(huán)境、耦合劑和工作溫度等影響，齒輪箱變工況故障診斷難度增加；②信號(hào)融合：多源異構(gòu)信號(hào)由不同傳感器采集，在量程、測(cè)量范圍和靈敏度等方面差異顯著，直接融合尺度不同的信號(hào)易出現(xiàn)信息不平衡，加劇兩域之間的分布差異，使得域間轉(zhuǎn)移更加困難；③數(shù)據(jù)特征：由于跨域遷移過(guò)程中數(shù)據(jù)分布和特征表達(dá)的動(dòng)態(tài)性，孤立地考慮特征表示的域?qū)R和診斷任務(wù)的決策邊界，導(dǎo)致遷移效果差。

針對(duì)上述問題，提出了一種基于加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)的齒輪箱變工況故障診斷方法，該方法是一種無(wú)監(jiān)督遷移學(xué)習(xí)方法，通過(guò)將振動(dòng)信號(hào)、電流信號(hào)和紅外熱力圖進(jìn)行多源異構(gòu)數(shù)據(jù)融合，提高齒輪箱故障信號(hào)表達(dá)的完整性；其次，構(gòu)建嵌入高效通道注意力（EfficientChannelAttention，ECA）的自校正卷積神經(jīng)網(wǎng)絡(luò)（Self?calibratedConvolutionsNetwork，SCNet）作為特征提取器自適應(yīng)地編碼遠(yuǎn)距離區(qū)域的信息，平衡源域和目標(biāo)域中多源異構(gòu)數(shù)據(jù)間的尺度差異；在特征提取器和域判別器進(jìn)行對(duì)抗訓(xùn)練的同時(shí)，引入最大均值差異（MaximumMeanDiscrepancy，MMD）和線性判別分析（LinearDiscriminantAnalysis，LDA）衡量當(dāng)前跨域任務(wù)特征表示的域?qū)R程度及診斷任務(wù)決策邊界，以構(gòu)造動(dòng)態(tài)平衡因子實(shí)時(shí)調(diào)整域?qū)R損失和類分辨性損失，有效縮小源域和目標(biāo)域的分布差異；最后，通過(guò)采集的齒輪箱變工況故障數(shù)據(jù)集進(jìn)行驗(yàn)證，所提方法診斷精度均達(dá)到95%以上，證明了所提方法的有效性。

1 基本理論

1.1 多源異構(gòu)數(shù)據(jù)融合

除振動(dòng)信號(hào)外，電流信號(hào)和紅外熱成像作為非侵入式的數(shù)據(jù)采集手段，有效地降低了設(shè)備運(yùn)行環(huán)境對(duì)故障診斷任務(wù)的干擾。為將振動(dòng)信號(hào)、電流信號(hào)和紅外熱力圖進(jìn)行融合，需將其轉(zhuǎn)換為相同維度，因此采用連續(xù)小波變換（ContinuousWaveletTransform，CWT）、格拉姆角場(chǎng)（GramianAngularField，GAF）分別將振動(dòng)信號(hào)、電流信號(hào)轉(zhuǎn)換成時(shí)頻矩陣和格拉姆矩陣，以二維矩陣形式展示運(yùn)行狀態(tài)信息；采用數(shù)據(jù)融合策略將振動(dòng)信號(hào)時(shí)頻矩陣、電流信號(hào)格拉姆矩陣以及溫度信號(hào)的紅外熱力圖進(jìn)行通道拼接，構(gòu)成多通道數(shù)據(jù)集。

1.2 自校正卷積神經(jīng)網(wǎng)絡(luò)

自校正卷積神經(jīng)網(wǎng)絡(luò)［17］是一種卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)模型，自校正卷積在處理每個(gè)空間位置的特征時(shí)，不僅利用局部信息，還能夠參考由其他卷積路徑提供的信息，使得不同傳感器的故障表征信息之間相互流通，降低因尺度不一而導(dǎo)致的信息不平衡現(xiàn)象出現(xiàn)的頻率。通過(guò)顯式和更豐富的信息，幫助模型生成更多差異性特征表示。

自校正卷積將輸入特征圖X∈RC×H×W按通道拆分為尺寸相等的兩部分X1和X2。將這兩部分在兩種不同的尺度下進(jìn)行特征變換，一種是使用下采樣的潛在空間映射，另一種則是原始比例空間的特征映射，具體步驟如下所示：

1）潛在空間映射：對(duì)特征圖X1采用大小為r×r、步長(zhǎng)為r的平均池化（Avgpool）進(jìn)行采樣操作，得到低維特征表示T；其次，通過(guò)卷積核K2對(duì)低維特征表示T進(jìn)行卷積操作，并采用雙線性插值進(jìn)行上采樣。然后，使用sigmoid激活函數(shù)對(duì)K3卷積提取的特征進(jìn)行校準(zhǔn)輸出特征Y'，最后通過(guò)K4卷積得到輸出Y1。

1.3 高效通道注意力機(jī)制

高效通道注意力機(jī)制［18］自適應(yīng)地強(qiáng)化關(guān)鍵通道特征。其實(shí)現(xiàn)注意力步驟如下：

對(duì)于每個(gè)通道的特征圖Xc，首先，進(jìn)行全局平均池化聚合空間信息；其次，通過(guò)卷積核大小為k的一維卷積對(duì)跨通道的局部依賴關(guān)系進(jìn)行建模，計(jì)算注意力權(quán)重；最后，將計(jì)算的權(quán)重應(yīng)用于原特征圖，得到通道加權(quán)的特征表示。

式中，H、W分別為特征圖的高度和寬度；Xc（i，j）為第c個(gè)通道的第i行和第j列的特征值；σ（·）為sigmoid激活函數(shù)，用于將注意力權(quán)值標(biāo)準(zhǔn)化［0，1］之間，?表示逐元素乘法；fConv1D，k（·）為卷積核大小為k的一維卷積，其卷積核大小k根據(jù)式（8）自適應(yīng)調(diào)整。通過(guò)這種方式，ECA模塊可以動(dòng)態(tài)地調(diào)整每個(gè)通道的重要性，增強(qiáng)或抑制某些通道的特征。

式中，|?|odd為取奇數(shù)操作；γ、b分別固定為2和1。

1.4 加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)

假設(shè)來(lái)自源域Ds的ns個(gè)標(biāo)記樣本{（xsi，ysi）}nsi=1和來(lái)自目標(biāo)域Dt的nt個(gè)未標(biāo)記樣本{（xtj）}ntj=1邊緣概率分布和條件概率分布均不相同，為學(xué)習(xí)在源域和目標(biāo)域之間的一致性特征表示來(lái)減少兩個(gè)域之間差異，使用特征提取器G和域判別器D進(jìn)行對(duì)抗訓(xùn)練。特征提取器G旨在從源域樣本xsi和目標(biāo)域樣本xtj中提取域不變特征，而域判別器D則試圖區(qū)分這些特征來(lái)自源域還是目標(biāo)域，域?qū)R損失函數(shù)具體如下：

式中，Lda（·）為域?qū)箵p失函數(shù)；θg、θd分別為特征提取器和域判別器的參數(shù)；xsi和xtj分別為輸入的源域和目標(biāo)域樣本。

領(lǐng)域自適應(yīng)能夠有效地實(shí)現(xiàn)領(lǐng)域?qū)R，但是并未考慮到具體診斷任務(wù)中不同類別的決策邊界，不能有效實(shí)現(xiàn)源域和目標(biāo)域的子域自適應(yīng)。因此引入3個(gè)分類器C、C1、C2，通過(guò)訓(xùn)練最大化分類器之間輸出的差異來(lái)檢測(cè)遠(yuǎn)離源支持的目標(biāo)樣本，同時(shí)，特征生成器學(xué)習(xí)G生成接近源域的目標(biāo)特征。這種訓(xùn)練方式增強(qiáng)了模型對(duì)目標(biāo)域數(shù)據(jù)的判別能力［19］，其損失函數(shù)如下：

式中，C、C1、C2為通過(guò)源域中有監(jiān)督預(yù)訓(xùn)練的3個(gè)分類器。

為避免過(guò)度偏向域?qū)R或類可辨別，分別使用MMD和LDA衡量當(dāng)前跨域特征表示域?qū)R程度及類可辨別性，并通過(guò)二者構(gòu)造一個(gè)動(dòng)態(tài)平衡因子τ控制域?qū)R損失和類分辨性損失，具體實(shí)現(xiàn)過(guò)程如下：

式中，Lce（·）為交叉熵?fù)p失函數(shù)。通過(guò)等式中的動(dòng)態(tài)加權(quán)，有效地避免由于過(guò)度對(duì)齊導(dǎo)致點(diǎn)類可分辨性消失或由于過(guò)度偏向類可分辨性導(dǎo)致的域偏移現(xiàn)象出現(xiàn)。

2 基于加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)的齒輪箱變工況故障診斷流程

基于加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)的齒輪箱變工況故障診斷模型如圖1所示，其診斷具體步驟如下：

1）采用傳感器信號(hào)融合策略將不同工況下的振動(dòng)信號(hào)時(shí)頻圖、電流信號(hào)格拉姆矩陣和紅外熱力圖轉(zhuǎn)換為多通道數(shù)據(jù)集，構(gòu)建源域訓(xùn)練樣本Ds和目標(biāo)域樣本Dt作為模型的輸入。

2）構(gòu)建嵌入ECA的自校正卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器G，平衡多源異構(gòu)數(shù)據(jù)尺度差異。

3）通過(guò)源域數(shù)據(jù)由監(jiān)督訓(xùn)練分類器C、C1、C2固定特征提取器G的參數(shù)，最大化目標(biāo)域中3個(gè)分類器輸出的差異。同時(shí)，通過(guò)訓(xùn)練G最小化差異，使得提取到的目標(biāo)域特征具有較強(qiáng)的判別性。

4）將源域和目標(biāo)域數(shù)據(jù)輸入到特征提取器G中，進(jìn)行特征提取器和分類器的對(duì)抗訓(xùn)練，通過(guò)動(dòng)態(tài)加權(quán)調(diào)節(jié)域?qū)R損失和類分辨性損失使得源域和目標(biāo)域的子空間對(duì)齊，從而實(shí)現(xiàn)對(duì)齒輪箱的變工況故障診斷。

3 試驗(yàn)分析

3.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)數(shù)據(jù)來(lái)自齒輪箱故障試驗(yàn)臺(tái)（圖2）。齒輪包括正常、點(diǎn)蝕、斷齒、裂紋和磨損5種狀態(tài)，其中振動(dòng)信號(hào)通過(guò)加速度傳感器進(jìn)行采集、電流信號(hào)通過(guò)鉗式電流傳感器進(jìn)行采集、溫度信號(hào)通過(guò)紅外熱像儀進(jìn)行采集。

以10kHz的采樣頻率在1000r/min（工況A）、1200r/min（工況B）及1400r/min（工況C）下采集多組故障振動(dòng)、電流信號(hào)。采用無(wú)重疊樣本分割方式，對(duì)振動(dòng)信號(hào)、電流信號(hào)分別以2048個(gè)點(diǎn)截取數(shù)據(jù)樣本，紅外熱力圖則通過(guò)幀截取進(jìn)行劃分。

對(duì)每一個(gè)工況下（A、B、C）中的3種信號(hào)按8∶2比例隨機(jī)劃分，訓(xùn)練集每類400個(gè)樣本，共2000樣本，測(cè)試集每類100個(gè)樣本，共500樣本。如在A→B遷移任務(wù)中，源域工況A中的有標(biāo)簽訓(xùn)練集樣本2000個(gè)，目標(biāo)域工況B中的無(wú)標(biāo)簽樣本500個(gè)，在遷移過(guò)程中不使用目標(biāo)域的標(biāo)簽信息。

振動(dòng)信號(hào)、電流信號(hào)分別使用CWT和GAF轉(zhuǎn)換為時(shí)頻圖和格拉姆矩陣，圖3所示為1000r/min下振動(dòng)信號(hào)時(shí)頻圖、電流信號(hào)格拉姆矩陣及溫度信號(hào)紅外熱力圖的不同故障表現(xiàn)形式。

3.2 參數(shù)設(shè)置

網(wǎng)絡(luò)主要超參數(shù)設(shè)置如下，優(yōu)化器采用隨機(jī)梯度下降算法，初始學(xué)習(xí)率為0.0001，動(dòng)量為0.9，權(quán)重衰減為10-4，批大小64，迭代輪數(shù)150輪。試驗(yàn)均在CPU為IntelCorei7?11800H，GPU為6GB顯存的NVIDIAGeForceRTX3060，內(nèi)存為16GB，Python3.8.13上的Pytorch1.10環(huán)境下進(jìn)行。為驗(yàn)證所提方法的有效性，將所提方法與深度卷積神經(jīng)網(wǎng)絡(luò)和XGBoost（DeepConvolutionalNeuralNetworkandXGBoost，DCNNXGBoost）算法［2］1059-1066、相關(guān)對(duì)齊聯(lián)合最大均值差異（CorrelationAlignmentJointMaximumMeanDiscrep?ancy，CORAL?JMMD）法［4］547-553、深度置信網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）［11］127-133、融合域適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)（FusionDomainAdaptationConvolutionalNeuralNet?work，F(xiàn)DACNN）［15］119、深度適應(yīng)網(wǎng)絡(luò)（DeepAdaptationNetwork，DAN）［20］分別在同轉(zhuǎn)速下和不同轉(zhuǎn)速下的齒輪箱故障數(shù)據(jù)集上進(jìn)行對(duì)比試驗(yàn)。

3.3 故障診斷結(jié)果與分析

為驗(yàn)證所提方法在同轉(zhuǎn)速和不同轉(zhuǎn)速情況下的故障診斷效果，分別在固定工況（A、B、C）及不同工況（A→B、A→C、B→C、B→A、C→A、C→B）下進(jìn)行對(duì)比試驗(yàn)，結(jié)果如表1所示，表1為不同方法的故障診斷結(jié)果。

由表1可知，在3種同工況下DCNN?XGBoost、CORAL?JMMD、DBN、DAN分類準(zhǔn)確率均低于FDACNN和本文所提方法，這是因?yàn)樯鲜鰩追N方法僅使用了振動(dòng)信號(hào)進(jìn)行故障診斷，并不能完整刻畫齒輪箱故障運(yùn)行狀態(tài)信息，導(dǎo)致精度不佳。而FDACNN方法雖融合了多源異構(gòu)信號(hào)，但由于不同類別間的傳感器信號(hào)的尺度信息差異導(dǎo)致融合效果降低，平均診斷精度為97.57%，比所提方法低了1.49%。而所提方法通過(guò)嵌入ECA的自校正卷積平衡多源異構(gòu)數(shù)據(jù)間的尺度差異，同工況下平均診斷精度達(dá)到了99.06%，證明了所提方法在同工況下的診斷性能。

通過(guò)進(jìn)一步對(duì)比不同工況下的遷移任務(wù)結(jié)果可知，DCNN?XGBoost在含有分布差異的變工況數(shù)據(jù)集上效果最差，準(zhǔn)確率僅為89.5%，這是由于未使用任何遷移策略，導(dǎo)致難以在含有數(shù)據(jù)分布差異的數(shù)據(jù)集上實(shí)現(xiàn)有效的故障診斷。相較于DCNN?XGBoost，CORAL?JMMD和DAN平均分類準(zhǔn)確率分別提升了6.28%、3.02%，這是由于這兩個(gè)方法添加了適配層，在一定程度上能夠拉進(jìn)源域和目標(biāo)域之間的分布，但是這兩個(gè)方法只考慮了特征表示的域?qū)R，卻忽視了診斷任務(wù)中不同類別的決策邊界，因而不能保證類間的可區(qū)分性，導(dǎo)致診斷結(jié)果不佳。預(yù)訓(xùn)練方法DBN也由于不能適應(yīng)分布差異導(dǎo)致結(jié)果偏低，相較于上述幾種方法，F(xiàn)DACNN方法準(zhǔn)確率有所提升，但是該方法直接融合尺度不同的信號(hào)且獨(dú)立地考慮特征表示的域?qū)R和類間辨別性，導(dǎo)致遷移效果降低。

而所提方法一方面通過(guò)多源異構(gòu)信號(hào)融合充分描述了齒輪箱的運(yùn)行狀態(tài)信息，并通過(guò)自校正卷積跨通道信息交互平衡異構(gòu)信號(hào)的尺度差異；另一方面通過(guò)動(dòng)態(tài)加權(quán)領(lǐng)域自適應(yīng)充分考慮特征表示的域?qū)R和決策邊界間的交互關(guān)系，使得所提方法在遷移任務(wù)中取得較高的準(zhǔn)確率，證明了所提方法的有效性和泛化性。

為直觀地展示同工況和不同工況下各方法的特征提取效果，分別對(duì)1000r/min和A→B遷移任務(wù)中各方法的提取到的特征進(jìn)行t?SNE降維和可視化，如圖4和圖5所示。圖4表示1000r/min下特征分布可視化，圖5表示A→B遷移任務(wù)下特征分布可視化。

通過(guò)圖4和圖5可知，DCNN?XGBoost、CORAL?JMMD、DBN、DAN在同工況和不同工況下特征分布均出現(xiàn)了大部分重疊，單一的振動(dòng)信號(hào)不能完整地表征齒輪箱全部故障信息。由于FDACNN直接融合尺度不同的信號(hào)，忽略了具體診斷任務(wù)中不同類別的決策邊界，導(dǎo)致源域和目標(biāo)域的分布差異加劇，使得其點(diǎn)蝕故障的目標(biāo)域數(shù)據(jù)特征分布未能與目標(biāo)域?qū)R，遷移效果不如所提方法。所提方法在同工況下和不同工況下的數(shù)據(jù)特征分布均具有較好的類內(nèi)聚攏效果，類間分離明顯，進(jìn)一步說(shuō)明了所提方法的優(yōu)勢(shì)和泛化性。

為展示所提方法解決分布差異的效果，以C→B遷移任務(wù)為例，不同方法的概率密度圖如圖6所示，其中DCNN?XGBoost方法由于沒有分布適配能力，因此其源域、目標(biāo)域概率分布曲線距離最遠(yuǎn)，而CORAL?JMMD、DBN、FDACNN、DAN在一定程度上拉近了兩域之間的分布差異，但由于具體診斷任務(wù)中不同類別的決策邊界不一，其遷移效果均低于所提方法的遷移效果。

為驗(yàn)證所提方法中多源異構(gòu)信號(hào)融合對(duì)故障診斷結(jié)果的影響，在工況B→C的遷移任務(wù)上分別針對(duì)振動(dòng)信號(hào)、電流信號(hào)、溫度信號(hào)單獨(dú)作為模型的輸入與3種信號(hào)融合作為輸入進(jìn)行對(duì)比。結(jié)果如表2所示。

為進(jìn)一步證明所提方法中動(dòng)態(tài)加權(quán)的作用，通過(guò)在C→A遷移任務(wù)上固定τ值為［0.1，0.3，0.5，0.7，0.9］與動(dòng)態(tài)更新τ值策略進(jìn)行試驗(yàn)對(duì)比，結(jié)果如圖7所示。

通過(guò)圖7可知，固定τ值診斷準(zhǔn)確率均低于動(dòng)態(tài)更新，這是因?yàn)樵诳缬蜻w移不同訓(xùn)練階段中特征分布是動(dòng)態(tài)變化的，固定τ值會(huì)導(dǎo)致過(guò)度偏向域?qū)R或類可辨別，進(jìn)一步影響遷移效果。而所提方法根據(jù)當(dāng)前跨域特征表示的域?qū)R程度及決策邊界，動(dòng)態(tài)更新τ值調(diào)整域?qū)R損失和類分辨性損失，證明了所提方法中動(dòng)態(tài)加權(quán)的有效性。

4 結(jié)論

基于加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)的齒輪箱變工況故障診斷方法，將振動(dòng)信號(hào)、電流信號(hào)和紅外熱力圖進(jìn)行多源異構(gòu)數(shù)據(jù)融合，并通過(guò)加權(quán)子域自適應(yīng)對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)了齒輪箱變工況故障診斷。該方法主要優(yōu)勢(shì)如下：

1）融合了電流信號(hào)、溫度信號(hào)和振動(dòng)信號(hào)，能夠完整刻畫齒輪箱運(yùn)行狀態(tài)信息，提高了故障診斷結(jié)果的可靠性。

2）構(gòu)建了嵌入高效通道注意力機(jī)制的自校正卷積神經(jīng)網(wǎng)絡(luò)動(dòng)態(tài)調(diào)整多源異構(gòu)信號(hào)間的相互作用和依賴關(guān)系，平衡了多源異構(gòu)數(shù)據(jù)間的尺度差異。

3）采用了加權(quán)子域自適應(yīng)對(duì)抗方法定量估計(jì)源域和目標(biāo)域?qū)R程度和決策邊界，適配兩域子空間特征分布差異。通過(guò)試驗(yàn)對(duì)比證明了所提方法具有較強(qiáng)診斷性能和泛化性。