基于双通道1D-CNN-BiLSTM的迁移学习方法，用于在不同圆锯片磨损阶段诊断牙齿断裂情况

《Scientific Reports》：Dual-channel 1D-CNN-BiLSTM transfer learning for diagnosing tooth breakage across circular saw blade wear stages

　　

摘要

作为拆除乏燃料组件不锈钢包层的核心切割工具，圆锯片容易发生齿部断裂故障，这不仅会降低加工精度和生产效率，还可能引发设备安全事故。此外，圆锯片磨损阶段的动态变化会导致切割信号分布特征的改变，给跨磨损阶段齿部断裂诊断的领域自适应带来挑战。为解决实际生产中各磨损阶段故障标注数据匮乏以及传统模型泛化能力不足的问题，本文提出了一种基于双通道1D-CNN-BiLSTM网络的迁移学习故障诊断方法。首先，该方法对圆锯片切割过程中的双通道振动信号进行有效预处理，包括信号提取和滑动窗口划分，从而构建用于新锯片齿部断裂的源域故障数据集以及各磨损阶段的靶域数据集。随后，设计了一种混合型的1D-CNN-BiLSTM网络，其中1D-CNN用于提取锯片切割信号的多尺度局部空间特征，而BiLSTM则用于捕捉双向时间依赖特征。该网络在源域中被预训练为通用的故障特征提取模型。最后，采用层替换与自适应学习率相结合的微调策略，冻结底层特征提取层并重新训练顶层分类层，从而实现从源域（新锯片齿部断裂）到靶域（不同磨损阶段）的故障知识高效迁移。以三种类型的圆锯片齿部断裂为研究对象，并与SVM、1D-CNN、LSTM、ResNet和DANN等方法进行比较，实验结果表明，所提出的方法在跨磨损阶段齿部断裂故障诊断中的准确率可达97.9%，显著优于其他方法。该方法有效解决了跨磨损阶段齿部断裂故障的迁移诊断问题，提升了乏燃料组件不锈钢包层的切割效率。