基于物理先验知识的RV减速器跨域智能故障诊断方法

《ADVANCED ENGINEERING INFORMATICS》:Cross-domain intelligent fault diagnosis method for RV reducers guided by physical prior knowledge

【字体: 大 中 小 】 时间:2026年01月08日 来源:ADVANCED ENGINEERING INFORMATICS 9.9

编辑推荐:

  针对RV减速器滚动轴承跨工况故障诊断中存在的振动信号差异大、模型泛化能力不足的问题,本文提出物理引导超图域适应方法(PGHDA)。通过相对轴同步重采样消除转速波动影响,结合跨工况样本标准化增强数据一致性;设计物理引导超图卷积层,利用齿轮传动系统物理约束构建超图结构,嵌入时间-频率双路径特征提取器以捕捉高阶耦合特征;构建多层级域分类器,采用多核最大均值离散度(MK-MMD)实现跨域特征对齐,并创新性地提出正负中心对抗损失提升特征聚类能力。实验验证表明,PGHDA在跨速工况下展现出优于传统方法的分类准确率和鲁棒性。

  
薛琳琳|黄玉坤|张万阳|张莹莹|罗华庚|张新月|王刚|关健
厦门大学航空航天工程学院,中国厦门361000

摘要

旋转机械在多变的工作条件下运行,其振动信号在不同工作条件下表现出显著的域间差异,这导致跨域故障诊断的性能下降。为了解决这个问题,提出了一种基于物理指导的超图域适应方法(PGHDA),用于滚动轴承故障诊断。首先,为了消除速度变化引起的信号差异,采用了相对轴同步重采样技术。其次,提出了一种跨条件样本标准化策略,以获取等长度的样本,从而提高不同工作条件下的数据一致性。然后,设计了一个基于物理指导的超图卷积层,并将其嵌入到时频双路径特征提取器中。根据预定义的频带范围构建物理耦合矩阵,并将物理约束引入特征提取过程,从而提高模型对与故障机制相关特征的敏感性。此外,为不同层次的输出特征构建了域分类器。通过对抗性训练来减少域特征之间的分布差异。对中层和深层特征应用多核最大均值差异(MK-MMD)算法,进一步增强域间的特征对齐。最后,提出了一种正负中心对抗损失(positive–negative center adversarial loss)来提高特征聚类和分离能力。通过从RV减速器测试台收集的振动数据验证了所提出的方法。实验结果表明,与其他方法相比,PGHDA在跨域故障诊断中实现了高分类准确性和鲁棒性。

引言

随着智能制造和工业物联网技术的快速发展,现代制造业正朝着更高的效率、灵活性和智能化方向发展[1]。设备状态监测和故障诊断作为确保生产安全、降低运维成本和提高设备可用性的核心技术,受到了学术界和工业界的广泛关注[2]、[3]。特别是在航空航天、精密机床和工业机器人等高端设备领域,传动系统的可靠性和运行稳定性直接影响整个系统的性能和安全性。RV减速器由于结构紧凑、传动效率高和定位精度优异,被广泛应用于精密定位和高扭矩传动应用中,成为关键的传动部件之一[4]、[5]。然而,在长期和重载工作条件下,RV减速器中的滚动轴承容易发生疲劳和磨损,导致性能下降甚至安全隐患[6]。因此,设计一种具有高准确性和鲁棒性的跨域故障诊断方法具有重要的理论和实际价值。
振动信号分析是旋转机械故障诊断的主要方法,可以分为三类:时域分析[7]、频域分析[8]和时频域分析[9]。时域方法主要依赖于统计特征,计算相对简单。频域方法通过傅里叶变换将时域信号映射到频域,从而观察由故障激励引起的特征频率和谐波结构,从而识别周期性故障成分。时频域方法在时频平面上表示非平稳瞬态信息,便于捕捉故障特征。尽管这些方法在工程实践中得到广泛应用,但它们通常依赖于先验知识,并且容易受到工作条件变化的影响,从而限制了其在复杂工作条件下的鲁棒性和诊断准确性。
近年来,深度学习技术的快速发展为设备运维带来了新的机遇[10]。深度学习模型可以自动学习故障特征,减轻了手动特征选择的负担,同时实现了出色的分类性能[11]、[12]。然而,深度学习模型在实际工程应用中也面临一些关键挑战。深度学习模型高度依赖于训练数据的分布特性。当工作条件发生变化时,信号的统计特性会发生显著漂移,导致模型性能大幅下降,难以满足跨域故障诊断的要求[13]、[14]。
为了提高模型的跨域泛化能力,域适应方法[15]、[16]被引入到故障诊断研究中。域适应方法主要包括对抗性训练方法和统计对齐方法。通过使用域分类器[17]对特征提取器进行对抗性优化,对抗性训练方法使模型学习到与域无关的特征,从而在目标域中实现鲁棒的分类性能。这种方法实现了端到端训练,无需依赖目标域标签。然而,也存在一些缺点,例如对噪声和异常样本的不耐受性,以及在训练过程中的波动敏感性。统计对齐方法,如最大均值差异(MMD)[18]、[19],通过最小化不同源域数据之间的特征空间或高阶统计量的差异来实现特征对齐[20]。这些方法对对齐强度有更好的控制,但在面对复杂非线性耦合(例如多个频带中的高阶相关性)时,其对齐能力仍然有限。最近的研究倾向于结合对抗性训练和统计对齐,以在特征对齐和类别可分性之间取得更合理的平衡。
同时,基于生成对抗网络(GAN)和元学习的跨域故障诊断方法也在快速发展。GAN[21]、[22]可以通过生成辅助样本来缓解目标域样本不足的问题。然而,生成器往往难以保持时域信号的相位和瞬态结构,可能会引入相位失真或时间对齐误差,从而改变振动信号的特征信息,影响分类器的可靠性。元学习方法[23]、[24]在少量标记样本的情况下表现出良好的快速适应性能。当目标域中只有少量标记样本时,元学习使模型能够快速提高性能,而无需大规模的目标域标记数据或长期重新训练。然而,其在非平稳工作条件或目标域分布发生剧烈变化时的鲁棒性和泛化能力仍需进一步验证。
尽管这些方法在减轻分布漂移方面取得了一定效果,但大多数研究忽略了机械系统中丰富的物理先验知识,从而限制了模型在不同工作条件下的诊断稳定性。为了解决这一不足,最近的研究尝试将物理知识整合到深度学习框架中[25]。一类研究基于动态模型生成模拟样本以扩展训练数据集[26]、[27],另一类研究将物理约束引入损失函数[28]、[29],以指导模型学习与故障机制相关的判别特征。
然而,在RV减速器传动系统中,齿轮啮合产生的强烈响应常常掩盖了轴承故障信号,导致时域信号中的故障特征较弱。这使得跨条件诊断的稳定性和有效性难以保证。此外,轴承故障通常表现为多个中心频率及其谐波的高阶耦合。传统的图神经网络主要表征节点之间的二元关系,难以同时表达这种高阶相关耦合,导致在多层传播过程中相关信息的稀释或丢失。为了解决这些挑战,本文提出了一种基于物理先验知识的RV减速器滚动轴承跨域智能故障诊断方法,旨在提高跨工作条件下的识别准确性和泛化能力。本文的主要贡献如下:
  • 1.
    为了消除旋转速度变化的影响,采用相对轴同步重采样和跨条件样本标准化策略来获取等长度的样本,显著提高了不同工作条件下的数据一致性。
  • 2.
    为了充分利用物理先验知识,提出了一种基于物理指导的超图卷积方法。根据传动系统特性构建超图结构,并与双路径时频特征提取器结合,以建模高阶相关性,从而提高模型对与故障机制相关特征的敏感性。
  • 3.
    为了提高跨域特征对齐能力,分别为浅层、中层和深层特征设计了域分类器。在中层和深层特征上引入多核最大均值差异(MK-MMD),以实现不同层之间的分布对齐。
  • 4.
    为了提高特征可分性和样本聚类能力,提出了一种正负中心对抗损失。这种方法使相同类型的样本更加接近,同时将不同类型的中心进一步分开。
  • 本文的其余部分安排如下。第2节详细介绍了研究目标、相对轴同步重采样、跨条件样本标准化策略、基于物理指导的超图卷积、协作损失优化框架以及PGHDA模型的结构。第3节介绍了实验设置、数据集描述、模型实现细节、实验结果和讨论。第4节总结了本文并概述了未来的研究方向。

    节选内容

    问题定义

    RV减速器是一种紧凑的多级传动装置,由行星齿轮机构和摆线销齿轮机构组成,运动部件由多个滚动轴承支撑。在运行过程中,齿轮啮合会产生周期性接触力和瞬态脉冲,通常具有较高的幅度。相比之下,滚动轴承故障产生的脉冲序列幅度较低,其频率由旋转速度和几何参数共同决定

    实验数据集描述

    为了验证所提出方法的有效性,本研究使用了RV减速器测试台进行数据采集和实验验证。测试台包括关键组件,如控制面板、驱动电机、RV减速器、扭矩传感器和磁粉制动器,如图8所示。
    为了确保振动信号的完整性,使用了高精度加速度计来收集振动信号。加速度计安装在RV减速器支架的顶部

    结论

    为了解决RV减速器中滚动轴承在跨速度条件下的低诊断准确性问题,提出了PGHDA方法。该方法充分整合了预处理技术、物理先验知识和深度学习的优势,实现了有效的故障诊断。通过使用相对轴同步重采样和跨条件样本标准化策略,有效消除了由速度变化引起的数据不一致性

    CRediT作者贡献声明

    薛琳琳:撰写——原始草案、方法论、数据整理、概念化。黄玉坤:调查、数据整理。张万阳:软件、形式分析。张莹莹:可视化、调查。罗华庚:撰写——审阅与编辑、资源获取。张新月:监督、资源提供。王刚:验证、项目管理。关健:资源提供、项目管理。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号