基于自适应跨域对齐网络的变工况振动信号故障诊断方法研究

《Machines》：Patch-Transformer Fault Diagnosis with Temporal-Shift Augmentation and Asymmetric Domain Alignment

　　运营速度和负载变化会改变振动信号分布，限制了故障诊断模型在不同运行条件下的迁移。采样窗口之间的时间偏移又引入了额外的变异性。本研究提出了一种自适应跨域对齐网络（ACADAN），将基于片段的表示学习与容量不对称的分类器差异适应相结合。随机循环移位增强降低了对绝对波形位置的依赖。Patch-Transformer对重叠信号片段进行编码并将其表示池化为紧凑特征。一对浅层–深层任务分类器支持源端有监督学习、目标端差异最大化和特征级差异最小化的交替训练。在凯斯西储大学轴承的六个迁移任务上，ACADAN报告的准确率为99.35%，而WDCNN为96.40%。在变速齿轮箱数据集2上，在报告的评估协议下，ACADAN达到99.83 ± 0.04%，而MSCNN为96.48 ± 0.75%。额外研究考察了单通道输入、时间扰动、片段设置、局部平滑、分类器容量和 Dropout。合成时间扭曲测试表明，仅靠循环移位增强对强时间形变仍然敏感，从而区分了时间偏移鲁棒性与速度不变性。这些发现支持了所提出组合设计在闭集跨条件诊断中的有效性，但开放集识别和连续在线适应仍有待进一步评估。