摘要
在基于数据的旋转机械故障诊断中，机械载荷的变化是导致领域偏移的主要因素，这会使在某种工况下训练的模型在另一种工况下性能急剧下降。本研究通过无监督领域自适应技术来解决这一问题——该技术通过匹配特征分布，将带标签的源工况下的诊断知识转移到无标签的目标工况中——同时引入了帕德逼近神经网络作为高效且表达能力强的特征提取器。一维帕德逼近神经网络编码器被集成到三种成熟的自适应框架中——深度CORAL、领域对抗神经网络以及条件领域对抗网络——从而无需任何带标签的目标数据即可学习与载荷无关的特征表示。在凯斯西储大学的测试数据集中，这些模型直接处理原始时域振动信号，用帕德逼近神经网络替代传统的卷积编码器后，跨载荷诊断的准确率显著提升，在参数数量较少的情况下平均目标域准确率可达99.28%。为评估其在更复杂场景下的适用性，还在帕德博恩大学数据集的频域特征上对CDAN–帕德逼近神经网络组合进行了测试，该数据集中的领域偏移是由轴承上的载荷扭矩和径向力同时变化以及实际加速老化损伤导致的，该组合在六项跨工况转换任务中的平均准确率达到了99.84%，且所需参数比其他方法更少。这些结果表明，经过帕德逼近神经网络优化的无监督领域自适应技术是一种准确且应用范围广的方法，可用于在不同工况下进行可靠的轴承故障诊断，而且由于其参数较少，非常适合资源有限的嵌入式平台使用。
