Page 280 - 《振动工程学报》2026年第2期
P. 280

596                                振     动     工     程     学     报                     第 39 卷

                  近年来，深度学习取得了可观的成就果，并且在                         深度对抗训练，自适应优化目标域网络的模型参数，
              转子故障诊断方面得到了广泛的应用。JANSSENS                  等 [1]  以减少域偏移。朱琰等           [16]  采用卷积神经网络提取图
              将卷积神经网络应用于齿轮箱的轴承和齿轮故障分                            像的深层可迁移特征，并通过缩小联合分布概率密
              类，对比传统算法，准确率提升了                6%。宫文峰等       [2]  度，减小源域和目标域之间的差异达到诊断目的。
              引入全局均值池化技术改进卷积神经网络                    (CNN) 并     XIANG  等 [17]  通过缩小多核最大均值差异减小两域
              应用于滚动轴承故障试验数据的智能诊断。朱广贺                            之 间 的 分 布 距 离， 并 设 计 两 个 分 类 器 进 行 特 征 约
              等 [3]  将小波阈值去噪算法和卷积神经网络模型进行                       束。ZHU    等  [18]  建立多层域自适应网络，利用局部最
              了结合，准确预测出转子可能产生的故障类型。万                            大均值差异使特征分布差异最小化，实现变工况下
              周等  [4]  将融合对称点模式       (SDP) 分析和天牛搜索算            故障数据的细粒度特征分布对齐。LI 等                  [19]  研究了
              法得到的图像训练卷积神经网络获得的转子故障诊                            一种半监督故障诊断方法，训练卷积神经网络结合
              断模型应用于强噪声环境下。WANG                 等  [5]  建立了基    相关对齐损失生成故障特征，并采用传递分量分析
              于残差网络的裂纹定位智能检测方法，实现了非对                            对故障特征进行分类，提高预测精度。
              称轴系的裂纹故障检测。李泽东等                 [6]  对单通道深度           上述研究方法有效提升了故障识别精度，但这
              置信网络进行优化，结合全矢谱和深度置信网络，通                           些方法都只进行了边缘分布域适应或者条件分布域
              过融合多通道信息得到了较高的转子故障识别率。                            适应，并未考虑到不同样本之间的分布既存在边缘
              KIM  等  [7]  将  CNN  内不同层的特征图连接起来，改善              分布差异也存在条件分布差异。针对上述问题，本
              各层之间的梯度信息传递，并使用转子测试台的试                            文提出了一种基于多尺度残差动态域适应网络的不
              验数据验证了方法的有效性。                                     同工况下转子故障诊断方法，将多尺度残差网络与
                  深度学习算法的应用提高了故障诊断的准确                           动态域适应策略相结合，实现跨工况迁移诊断。所
              率，但这些方法都需要假设训练数据和测试数据服                            提方法包括数据预处理、特征提取和故障分类模
              从同一分布，这限制了智能故障诊断在无标签数据                            块。在数据预处理模块中，通过滑动窗口将采集得
              集和稀疏数据集中的应用。迁移学习可以使模型在                            到的数据分割为大小相同的子信号，然后，利用傅里
              样本概率密度分布不一致的条件下具有良好的泛化                            叶变换将这些子信号转换为二维时频图像，作为模
              性能。对于目标域标签较少的情况，学者们常采用                            型的输入。在特征提取模块中，提出了一个融合多
              基 于 模 型 的 迁 移 学 习 方 法 进 行 迁 移 故 障 诊 断 。           尺度卷积和空间可分离卷积的多尺度残差网络，用
              ZHANG  等  [8]  基于  ImageNet 中训练的单层神经网络            于提取信号特征。该网络采用多尺度卷积层作为输
              (SLCNN) 模型，将参数知识从预训练模型转移到目                        入层，从不同角度捕捉输入数据的特征，接着由                      4  个
              标模型并利用发热训练样本对模型进行微调，在保                            改进残差模块提取高阶特征表示，整个网络可以有
              持轻量化的同时具有较高的精度。唐竞鹏等                     [9]  将故   效提取输入数据的重要特征，提高特征表达的全面
              障数据输入到训练过的宽卷积核深度卷积神经网络                            性。在故障分类模块中，引入动态域适应方法，根据
              (WDCNN) 模 型 中 重 新 训 练 ， 并 采 用 支 持 向 量 机           源域和目标域样本实际分布情况自适应地调整两域
              （SVM）进行分类识别，实现对燃气轮机转子的故障                          之间的边缘分布和条件分布的权重，缩小域间的差
              识别。                                               异，实现领域间特征对齐，提高模型在不同工况下的
                  基于模型的迁移学习方法提高了特征表示能                           迁移诊断能力。利用转子试验台采集得到的                      3  种不
              力，但是对目标域的标签仍然存在要求。TZENG                   等 [10]  同工况下的数据集，构建了             6  个跨工况迁移故障诊
              提出了一种深度域适应            (DDC) 方法，将最大均值差             断试验，验证了所提方法的有效性。

              异度量加入到深度网络特征层的损失中。LONG                      等
              提出利用边缘分布自适应             (DAN) [11]  和联合分布自适
                                                                1    基  本  原  理  简  介
              应  (JAD) [12]  的域适应方法对   DDC  进行了改进，其中

              DAN  采用多核最大均值差异进行多层的损失计算，
                                                                1.1    残差网络
              JAN  通过联合分布度量进行联合分布的优化。SUN
              等 [13]  提出了利用相关对齐        (CORAL) 对两个领域进               理论上，在神经网络添加新的层，可以更有效地降
              行二阶特征对齐。这些领域适应方法被引入到故障                            低误差。但在传统的深度神经网络结构中，网络层数

              诊断中来进行迁移诊断。XU              等  [14]  将重叠采样和短       的增加一般会带来精度下降、梯度消失或爆炸等问
              时傅里叶变换得到的时频图通过域对抗神经网络投                            题，这些问题限制了网络模型的性能和表达能力。
              影到相同的特征空间，实现了同一台机器和不同机                                为了解决这些问题，HE           等  [20]  提出了残差网络

              器之间的迁移。LIU        等  [15]  采用源域与目标域之间的            （ResNet），引入了残差的概念。假设传统网络经过
   275   276   277   278   279   280   281   282   283   284   285