齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺...齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。展开更多
文摘齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。
