《Results in Engineering》：Gearbox fault diagnosis framework based on cross domain data fusion and reconstruction and small sample assistance
编辑推荐：
行星齿轮箱作为现代工业中的核心传动部件，直接影响设备运行的稳定性和效率。然而，在实际工业场景中，由于复杂的运行条件、安全要求和高测试成本，获取充足且多样化的真实故障振动样本具有挑战性。这一限制导致了突出的“小样本”问题，严重制约了传统数据驱动诊断模型的性能和泛
行星齿轮箱作为现代工业中的核心传动部件，直接影响设备运行的稳定性和效率。然而，在实际工业场景中，由于复杂的运行条件、安全要求和高测试成本，获取充足且多样化的真实故障振动样本具有挑战性。这一限制导致了突出的“小样本”问题，严重制约了传统数据驱动诊断模型的性能和泛化能力。为解决此问题，研究人员提出了一种创新的框架，整合了跨域数据重构和小样本辅助诊断，显著减少了对真实故障样本的依赖。首先，利用多源变速信号驱动生成与物理行为高度匹配的故障振动样本。其次，引入一种基于耳蜗先验知识和鲸鱼优化算法（WOA）的重构方法，自适应优化模态特征权重，并将实测信号与模拟故障信号融合。引入小样本辅助机制，利用少量实测故障样本指导正常状态信号与模拟故障信号的高效重构。最后，基于优化的卷积神经网络（CNN）进行故障诊断。实验结果表明，该方法在未见过的真实故障信号上测试准确率超过90%，展现出优异的诊断性能和泛化能力。本研究通过将真实故障数据作为“知识引导”而非直接用于模型训练，为工业环境下的小样本故障诊断提供了新的理论框架和技术路径。
**论文解读文章**
**研究背景与现存问题**
行星齿轮箱因其结构紧凑、传动比大、承载能力强等优点，被广泛应用于风力发电、航空航天等领域。其健康状态直接影响设备运行效率与安全。然而，在高压、高温、高速、重载等复杂工况下，行星齿轮箱易发生断齿、磨损、点蚀等故障，导致停机、成本增加甚至安全事故。目前，大多数故障诊断方法依赖振动数据，主要分为信号处理（如EMD、VMD）和机器学习（如CNN、SVM）两大类。然而，信号处理技术（如VMD）在确定分解层数K和中心频率时缺乏理论指导，而机器学习方法通常需要大量标注故障样本，在实际工业场景中，故障样本稀缺且获取成本高昂，“小样本”问题成为制约诊断模型泛化能力的关键瓶颈。
现有解决思路包括数据扩充、迁移学习和生成对抗网络（GAN）等方法。数据扩充方法（如改进孪生网络）依赖特征学习，缺乏物理约束，泛化不稳定；迁移学习方法（如SDDA、DG）依赖源域数据质量，存在域偏移问题；GAN方法（如GGAN、HAWAN-PIR）可能因极少量故障样本导致模式崩溃及训练不稳定。此外，元启发式优化算法（如AHA、MPA等）已被引入故障诊断，但主要关注优化过程本身，而非跨域物理一致性。近年来，离域（OOD）学习和域泛化（DG）方法通过学习潜在空间中的不变表征来提升泛化能力，但未显式考虑表征与真实故障演化过程之间的物理一致性。因此，探索有效桥接仿真与实测域之间差距的物理引导方法，成为小样本故障诊断的重要研究方向。
**研究内容与结论**
本研究提出了一种物理引导的跨域故障表征重构框架，旨在解决小样本条件下的行星齿轮箱故障诊断问题。该框架通过融合仿真故障数据、实测正常信号和少量实测故障样本，重构出物理意义明确的故障表征，而非直接使用真实故障样本进行模型训练。主要创新点包括：1）提出物理引导的跨域信号重构框架，利用实测正常信号与仿真故障信号经模态分解后融合，并以少量实测故障样本作为弱监督校准重构过程；2）开发耳蜗启发变分模态分解（CI-VMD）策略，利用齿轮箱故障特征频率和耳蜗临界带理论作为先验知识，指导VMD分解的模态数和中心频率初始化；3）提出验证驱动模态加权策略，以卷积神经网络（CNN）在小型实测故障验证集上的分类准确率作为鲸鱼优化算法（WOA）的优化目标，自适应优化模态融合权重；4）引入多源实时速度驱动策略，通过集成实测轴速、扭矩理论转速和动态波动，构建混合驱动信号，提高仿真数据保真度。
实验结果表明，该方法在未见过的真实故障信号上测试准确率超过90%，在四个不同转速（825 rpm、849 rpm、872 rpm、892 rpm）下的平均诊断准确率保持在88%以上，验证了良好的诊断性能和泛化能力。该研究发表在《Results in Engineering》。
**主要关键技术方法**
研究人员采用以下关键技术方法：1）基于ADAMS的多源实时速度驱动动力学仿真，利用实测轴速、基于电流-扭矩计算的理论转速及动态波动构建混合驱动信号，生成高保真仿真故障振动数据（样本来源：HFXZ-I型行星齿轮箱实验台，采集892 rpm下20 kHz采样率的振动、电流、扭矩、转速信号，包含断齿、磨损、点蚀三种故障及正常状态）；2）耳蜗启发变分模态分解（CI-VMD），以耳蜗前七个临界带（50-700 Hz）的中心频率初始化VMD的模态中心频率，设置K=7、α=2000、Tol=1e-6、init=3、DC=0、τ=0；3）基于鲸鱼优化算法（WOA）的自适应模态加权优化，以CNN在少量实测故障验证集上的准确率作为适应度，优化42维（7 IMF×3故障×2域）权重向量，搜索范围[0,1]，种群规模50，迭代50次；4）基于卷积神经网络（CNN）的分类器，采用两层卷积层、池化层、全连接层和dropout（概率0.5）结构，输入为重构信号，输出四类健康状态。
**研究结果**
**5.1 重构信号特征一致性验证**
通过比较重构信号与实测信号在波形相似度（DTW距离）、余弦相似度和孪生网络相似度（特征欧氏距离）三个指标，发现重构信号在三个指标上均优于直接仿真信号。例如，断齿重构信号的DTW距离为834.25（仿真为895.97），余弦相似度为0.67（仿真为0.51），孪生网络相似度为0.02861（仿真为0.03908）。结果表明，跨域融合重构有效提升了信号与实测故障的物理一致性。
**5.2 诊断框架性能验证**
通过动态调整验证集和测试集样本量，进行20次独立重复实验。当验证集每类故障样本数仅为10个（总计30个）时，验证集准确率达96.67%，且在验证集与测试集比例为1:5时，测试准确率仍保持在90%以上。消融实验表明，完整模型（CI-VMD-WOA-CNN）准确率为90.67%；移除ADAMS仿真后降至76.98%；移除CI-VMD（替换为传统VMD）后降至86.27%；移除WOA加权（等权融合）后降至56.23%。说明各模块均贡献显著，其中CI-VMD和ADAMS仿真提供主要增益，WOA进一步优化特征表征。在四个不同转速（825-892 rpm）下，平均诊断准确率在88.33%-90.67%之间，标准差约1%，表明方法对转速变化具有良好鲁棒性。
**5.3 权重验证**
利用WOA优化得到的最优权重显示，不同故障类型在不同频带上的权重分布具有物理对应性：断齿故障在IMF1（50 Hz）和IMF2（150 Hz）权重最高，对应低频基频调制和周期冲击；磨损故障在IMF7（700 Hz）权重最高，反映非线性接触调制；点蚀故障在IMF3（250 Hz）、IMF5（450 Hz）和IMF6（570 Hz）权重较高，对应啮合频率（214 Hz）及其谐波（428 Hz、642 Hz）。权重趋势从“断齿→磨损→点蚀”呈现低频向高频能量转移，符合各故障能量分布规律。此外，不同验证集大小下优化得到的权重矩阵相关系数高达0.9722，表明特征提取与权重优化具有稳定性。
**5.4 与其他方法性能比较**
与EMD-WOA-CNN及EEMD-WOA-CNN相比，CI-VMD-WOA-CNN在验证集和测试集准确率上均最高（96.67%和90.67%）。与不同K值下的传统VMD-WOA-CNN比较，CI-VMD（K=7）测试准确率比最佳传统VMD（K=7，86.27%）高出4.4%。与1D-CNN（81.67%）、DBTL迁移学习（77.53%）、SSL-ProtoNet少样本学习（83.27%）、DCGAN数据增强（84.13%）相比，CI-VMD-WOA-CNN以90.67%的准确率显著领先，且标准差最低（0.97），表明方法在小样本条件下具有优越的诊断稳定性和泛化能力。
**总结与讨论**
本研究提出了一种物理引导的跨域故障表征重构框架，核心创新在于利用仿真数据、实测正常信号和少量实测故障样本，通过CI-VMD分解和WOA优化模态权重，生成物理意义明确的故障表征，从而减少对真实故障样本的依赖。实验证实该框架在四种转速下准确率均超过88%，验证了其鲁棒性。然而，研究存在局限性：框架对验证集与测试集比例敏感，当验证集较大时，WOA优化可能偏向验证样本，降低泛化能力；计算效率在大规模工业场景中仍需进一步评估；当前CI-VMD的参数设置基于物理启发而非严格的数学映射；ADAMS仿真模型仍依赖一些理想化假设（如恒定摩擦系数、稳定工况），未完全模拟真实工业中的非线性因素（如热退化、负载波动、润滑变化、传感器干扰等）。未来工作将致力于建立更严格的耳蜗机制数学解释，引入更丰富的物理信息（如故障特征频率演化、能量分布约束），并扩展到更宽的速度/负载变化、未见故障类型、域泛化及离域诊断场景，以增强框架的工程适用性。
**研究结论**
本研究提出了一种物理引导的跨域故障表征重构框架，用于小样本行星齿轮箱故障诊断。该框架旨在通过从仿真故障数据、实测正常状态信号和少量实测故障样本中重构物理意义明确的故障表征，来解决实测故障样本稀缺的问题。与直接生成额外样本的传统数据增强方法不同，所提方法将实测故障样本作为轻量级校准集，用于指导重构过程，从而减少仿真与真实故障数据之间的分布差异，提升有限数据条件下的诊断性能。实验结果表明，所提框架在小样本条件下诊断准确率超过90%，且在四个转速（825 rpm、849 rpm、872 rpm、892 rpm）下的平均诊断准确率保持在88%以上，表明该方法对速度变化具有满意的鲁棒性。这些结果证实，所提框架能够有效缓解智能故障诊断模型对大规模标注故障数据集的依赖。
