一种基于机制驱动、考虑严重程度并借助原型引导的螺旋齿轮点蚀损伤跨领域定量诊断方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A mechanism-driven severity-aware prototype-guided cross-domain quantitative diagnosis method for pitting damage of helical gears

　　摘要：为解决螺旋齿轮点蚀故障定量诊断中样本不足以及不同严重程度故障特征相似度高的问题，本文提出了一种基于机理的、考虑故障严重程度的跨域诊断框架。该框架通过动态仿真生成严重程度一致的点蚀故障数据，并采用线性调制的高斯混合模型来缓解仿真信号与实测信号之间的统计分布差异。在此基础上，构建了考虑故障严重程度的跨域诊断网络，通过多尺度特征融合与自适应增强机制提升特征表达能力，同时设计结构化的原型双分支分类器以明确不同点蚀严重程度之间的几何序数关系。此外，结合结构保持损失函数与原型分离损失函数以提高特征区分度，并采用条件域对抗学习来抑制跨域对齐过程中的特征混淆。在九项迁移任务中的实验结果表明，所提框架的平均诊断准确率为86%，相比主流方法高出25%。这些结果表明，该框架为旋转机械故障的定量诊断提供了有效解决方案。

引言：在机械设备中，动力主要通过齿轮传动系统传递，这类系统广泛应用于航空航天、能源设备、轨道交通及高端制造行业[1]。随着高速、重载、长寿命设备的不断发展，对齿轮传动系统的可靠性与运行安全提出了更为严格的要求[2]，因此迫切需要有效的状态监测与精准的故障诊断。在实际运行过程中，齿轮在交变载荷、波动的润滑条件以及复杂的运行环境作用下，不可避免地会遭受不同程度的损伤。传统的齿轮故障诊断方法主要集中在故障识别上，即对故障的发生及类型进行分类。但随着状态监测技术及维护策略的不断进步，仅靠定性诊断已无法满足工程应用需求。能够为设备健康管理、剩余寿命预测及维护决策提供可靠支持的齿轮损伤定量表征与演化评估，日益成为齿轮故障诊断领域的重要研究方向[3]。

现有研究大多基于机理建模方法开展齿轮损伤的定量诊断。通常先建立齿轮系统的动力学模型，引入与损伤相关的参数来描述齿形或啮合特性的变化，从而建立损伤严重程度与系统动态响应之间的关系[4][5][6]。李等人[7]建立了裂纹齿轮系统的刚体模型，利用均方根值和峰度等统计指标来量化损伤严重程度；马等人[8]则建立了考虑裂纹故障全生命周期演变的动力学模型，通过两种新提出的指标有效区分了裂纹的严重程度进展；高等人[9]整合多维特征，提出了累积积分能量比指数，用于监测齿轮磨损区域并进一步评估磨损严重程度；王等人[10]建立了反向扭转条件下的动力学模型，将裂纹横截面积视为变量参数，以振动加速度信号的包络谱幅值之和的残差作为评估指标，随后还开发出了用于定量评估太阳轮齿面裂纹的映射函数。李等人[11]建立了螺旋齿轮点蚀的24自由度动力学模型，通过将点蚀坑近似为椭圆形，提出了内外齿轮对的啮合刚度计算方法，进而分析了不同点蚀严重程度下的动态特性。尽管这些基于机理的定量诊断方法具有明确的物理意义和较强的可解释性，但其模型建立过度依赖系统结构参数，而在复杂的运行条件及实际工业环境中，这些参数往往难以精确获取。

相比之下，基于深度学习的齿轮损伤定量诊断方法越来越受到关注。这类方法采用端到端的方式学习振动信号与损伤严重程度之间的复杂非线性映射关系，能够在较少的先验假设下自动提取具有区分度的特征。穆罕默德等人[12]提出了一种由双传感器驱动的新型运动误差指数，用于评估齿轮故障的严重程度；盖等人[13]引入麻雀搜索算法优化深度信念网络，以诊断齿轮故障的严重程度；张等人[14]基于逆物理信息神经网络框架提出了卷积神经网络，用于诊断不同严重程度的磨损、点蚀及裂纹等齿轮故障；卡拉伊等人[15]运用卷积神经网络诊断对称及不对称齿轮对中不同严重程度的齿根裂纹；杨等人[16]提出了一种Dropkey-Vision Transformer方法，在多通道故障信息融合的基础上诊断齿轮裂纹及其不同严重程度；安达莱等人[17]首先提出了一种结合增强自适应噪声的完全集成经验模态分解算法用于信号处理，随后再使用结合双向LSTM与改进DBN的混合分类器来分类不同严重程度的齿轮故障；孟等人[18]通过多尺度小波包能量熵构建特征向量，并将其与极限学习机相结合，实现了不同严重程度太阳轮齿断裂的故障诊断；姆拉布蒂等人[19]在训练数据有限的条件下，从变分模态分解信号中提取时域特征，再利用LSTM对不同类型的齿轮故障及其严重程度进行分类。

然而，深度学习模型的性能高度依赖于大规模、高质量的有标签数据集。在齿轮传动系统中，大多数运行状态都属于健康或轻微退化状态，因此与严重故障相关的样本数量极为有限。加之故障样本收集条件受限且经济成本高昂，尤其是收集同一故障类型但损伤严重程度不同的样本，仍然面临极大挑战。不平衡的样本分布与数据匮乏问题严重限制了深度学习模型在实际工程场景中的广泛应用。近期的跨域诊断研究开始探讨在更具挑战性的数据分布下的泛化能力，例如王等人[20]提出了一种元学习框架，用于实现不平衡开集泛化，以提升在类别不平衡与未知故障共存时的机械故障诊断能力；高等人[21]则开发了一种域特征解耦网络，用于在未见过的工作条件下诊断旋转机械故障，通过分离与域相关及与故障相关的表示，提取可迁移的故障信息。因此，这些研究从开集泛化、不平衡学习以及域不变表示学习的角度提升了诊断的鲁棒性。不过，模型训练与适配仍很大程度上依赖于现有的实测数据，而在实际齿轮系统中获取足够的多类损伤严重程度的故障样本依然困难重重。

逐渐地，作为一种可控且可解释的仿真数据生成方法，机理模型越来越被视为缓解故障样本短缺的有效方案。通过建立齿轮系统故障的动态模型，可以在不同故障类型及损伤严重程度下生成大量仿真数据，从而有效弥补真实故障样本的不足。因此，将机理建模与深度学习相结合，尤其是在迁移学习框架内，已成为故障严重程度诊断领域的重要研究方向——利用机理模型生成的仿真数据辅助数据驱动型模型的训练。徐等人[22]建立了行星齿轮系统的数字孪生模型，将模型响应与传感器数据在序特征空间中对齐，再通过数值故障模型的参数来评估局部齿轮故障的严重程度；李等人[23]利用改进的行星齿轮动力学模型生成仿真故障数据，并应用经过优化的基于1D CNN的迁移学习网络进行跨域齿轮故障分类；杨等人[24]则以仿真样本作为源域，实验样本作为目标域，结合基于Beta分布的改进DANN模型，实现了对齿根裂纹的精细跨域诊断。

尽管这种整合有效缓解了因齿轮故障样本匮乏带来的诊断难题，但现有的大多数迁移学习网络主要侧重于源域与目标域之间全局特征的对齐。对于同一故障类型但损伤严重程度不同的样本，其振动响应在时频结构等方面往往具有较高的相似性，因此全局特征对齐可能会导致不同严重程度的样本在特征空间中进一步聚集，进而削弱模型区分故障演化阶段及损伤严重程度的能力。这一问题在齿轮故障的早期损伤及渐进式退化过程中尤为突出，因为此类故障的特征通常表现为幅度较小、变化缓慢，且与设备健康状态之间存在较强耦合，这就对准确识别故障损伤严重程度提出了更高要求。

为此，本文选择螺旋齿轮的渐进式点蚀损伤作为研究对象。为解决迁移学习过程中同一故障类型下不同损伤严重程度对应特征区分度不足的问题，本文提出了一种基于严重程度感知的原型引导条件域对抗网络（SPCDAN）方法，以实现从仿真域到实验域的精细、准确的定量诊断。本文的主要贡献如下：（1）提出了一种考虑故障严重程度的、结构保持型的跨域定量诊断框架，用于齿轮点蚀故障诊断，该框架能够明确建模损伤严重程度的序数演化特征，从而缓解跨域条件下不同点蚀阶段之间的特征混淆问题；（2）开发了一种基于机理的仿真到实验数据适配策略，将螺旋齿轮的动态点蚀模型与基于线性高斯混合模型的统计对齐方法相结合，为迁移诊断生成严重程度一致的源域数据；（3）设计了一种考虑故障严重程度的表示学习方法及原型引导的条件对抗学习方案，能够在保留不同损伤严重程度之间几何关系的同时，实现具有区分度的特征学习与域对齐，进而提升故障严重程度精细迁移诊断的性能。

其余内容安排如下：第2节介绍所提出的方法，第3节阐述实验验证结果，第4节给出结论。

问题描述：在螺旋齿轮点蚀故障的定量诊断中，一个核心挑战在于如何准确识别不同的损伤严重程度。在实际运行条件下，尤其是与严重损伤相关的不同严重程度故障样本极为有限。齿轮传动系统大多处于健康或轻微退化状态，而严重点蚀样本的获取又受到数据收集条件的限制。

螺旋齿轮表面点蚀腐蚀故障试验台：沈阳工业大学建立了如图8(a)所示的螺旋齿轮表面点蚀腐蚀故障实验平台。通过激光烧蚀技术制备了三种不同严重程度的点蚀损伤样本，分别记为pitting*2、pitting*5和pitting*10，其对应的点蚀面积占比分别为6.3%、15.8%和32%，如图8(b)所示。所有点蚀缺陷均采用一致的半球形几何结构设计，每个坑的尺寸为1毫米×1毫米。

结论：本研究提出了一种新的基于机理的SPCDAN方法，旨在解决由于不同故障严重程度样本不足以及特征严重混淆导致的螺旋齿轮定量故障诊断精度低的问题。实验结果表明，所建立的动态模型能够生成与实验数据高度一致的故障响应，为跨域诊断提供了可靠的数据支持。进一步的消融实验也验证了该方法的有效性。

CRediT作者贡献声明：杨娜：撰写——初稿、可视化、验证、方法学、研究实施；刘杰：监督、资金筹集；马辉：监督、资源协调；赵伟强：方法学。

利益冲突声明：作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。

致谢：本研究得到了中国辽宁省教育厅一般项目（编号LJ212410142026）的支持。

杨娜：撰写——审稿与编辑、撰写——初稿、可视化、验证、方法学、研究实施；刘杰：监督、资金筹集；马辉：监督、资源协调；赵伟强：方法学（动态模型）。

杨娜|刘杰|马辉|赵伟强