基于机理驱动深度可迁移子域自适应网络(MEDTSAN)的无标签滚动轴承故障诊断方法研究

本刊推荐：本文创新性地提出机理驱动深度可迁移子域自适应网络（MEDTSAN），通过六自由度（6-DOF）动力学模型生成仿真数据，结合联合子域对比学习（USCL）和多视角子域对齐（MVSA）策略，有效解决滚动轴承故障诊断中标记数据稀缺的难题。该方法在仿真到实测数据的跨域诊断任务中显著优于现有技术，为工业设备智能运维提供了新范式。

　　

Highlight

本文提出了一种机理驱动的深度可迁移子域自适应网络（MEDTSAN），通过结合动力学模型与子域自适应方法，无需标记数据即可精准识别滚动轴承故障类型。该方法首先生成带标签的仿真数据作为源域，以未标记实测数据作为目标域，通过联合子域对比学习（USCL）构建判别性决策边界，并采用多视角子域对齐（MVSA）策略实现目标-源域及目标-目标域的对齐，显著提升跨域诊断性能。

Introduction

作为旋转机械的核心部件，滚动轴承在高温、高压、重载工况下易出现性能退化与故障。及时有效的故障诊断对预防重大事故、保障设备长期稳定运行具有重要意义。尽管深度学习方法在故障诊断领域展现出强大特征提取能力，但其依赖大量标记数据的特性限制了实际应用。动力学模型可模拟多种健康状态生成仿真数据，但仿真与实测数据间的分布差异给直接应用带来挑战。现有子域自适应方法（如LMMD、WLMMD）未能充分考虑目标域样本的可迁移性，导致决策边界混淆和负迁移现象。MEDTSAN通过USCL和MVSA策略，有效提升子域判别性与紧凑性，抑制负迁移。

Section snippets

问题定义

本研究旨在结合动力学模型与子域自适应方法，将仿真数据知识迁移至实测数据，解决标记数据稀缺问题。源域D_s包含n_s个带标签仿真样本，目标域D_t包含n_t个无标签实测样本，两者均涵盖C类滚动轴承健康状态数据。

Experiment

本节通过传动系统诊断模拟器（DDS）和智能维护系统（IMS）轴承退化数据集验证所提方法的优越性。实验平台采用第13代Intel? Core? i7-13700处理器、NVIDIA GeForce RTX 4070Ti显卡及32GB内存，软件环境为Python 3.8和PyTorch 2.1.0。

Results and analysis

本研究建立六种不同工况的迁移任务，通过对比实验验证方法的有效性与优越性。为消除随机因素影响，每个任务均进行五次重复实验以确保结果稳定性。

Conclusion

MEDTSAN通过动力学模型与子域自适应的结合，无需额外标记数据即可实现滚动轴承故障类型的精准识别。6-DOF动力学模型生成丰富仿真数据缓解数据稀缺问题，USCL与MVSA策略协同优化目标域难迁移样本的拟合过程，显著提升跨域诊断性能。该方法为工业设备智能运维提供了创新解决方案。