一种基于协同特征增强和动态阈值适应的半监督齿轮故障诊断方法

《IEEE/ASME Transactions on Mechatronics》：A Semisupervised Gear Fault Diagnosis Method via Collaborative Feature Enhancement and Dynamic Threshold Adaptation

　　

齿轮是机械传动系统中的关键部件，其状态直接影响设备的工作稳定性和使用寿命。齿轮故障诊断在降低故障风险和确保设备安全方面发挥着至关重要的作用。为了解决现有方法中数据不平衡、标签稀缺以及标记数据与未标记数据之间缺乏交互的问题，本文提出了一种结合协作特征增强和动态阈值调整的半监督学习方法。该框架使用基于Transformer的编码器从振动信号中提取丰富的、具有上下文意识的特征。引入了一个协作特征增强模块来模拟标记数据与未标记数据之间的语义交互，促进信息交换，并在标签稀缺和数据不平衡的情况下提高特征稳健性。设计了双分支架构来并行处理原始特征和增强后的特征，并通过一致性驱动的协作约束进行联合优化，以抑制伪标签噪声并稳定训练过程。此外，动态自适应置信度机制可以迭代地精细化伪标签的置信度，从而减少累积误差。实验验证表明，在齿轮故障数据极度不平衡且标签不足的情况下，该方法的诊断准确率分别达到了94.03%和97.36%，验证了其在工业场景中的可行性。

变速箱是旋转机械系统中的关键部件，在发电、汽车和制造等行业中作为高效动力传输和速度调节的重要元素。由于复杂的机械结构和长时间暴露在极端运行环境中，旋转机械系统容易发生齿轮磨损、点蚀腐蚀和齿断裂等故障[1]。齿轮退化模式已被确定为影响系统可靠性及增加工业操作安全风险的主要因素。在实际的故障监测场景中，由于常规运行期间健康设备占多数，获取多类故障数据十分困难。此外，数据收集过程耗时较长，手动标注工作强度大，导致数据驱动的智能故障诊断中存在数据不平衡和标签稀缺的问题[2]。在这种运行限制下，基于深度学习的诊断模型往往存在灵敏度降低、过拟合和分类边界不明确等问题[3]。因此，需要开发快速准确的齿轮故障诊断方法，以确保关键工业应用中的运行连续性和防止危险发生[4]。