Page 285 - 《振动工程学报》2026年第2期

第 2 期 向 玲，等：基于多尺度残差动态域适应网络的不同工况下转子故障诊断方法 601

标；DAN 在两个全连接层对齐，采用 MK-MMD 最小 表 5 超参数
化域分布差异；JAN 考虑条件概率密度和边缘概率 Tab. 5 Hyperparameters

密度，此方法中 2 个概率密度的重要程度相等。 方法 学习率 批大小
试验均采用本文提出的多尺度残差网络作为特 CMMD 0.00005 30
征提取网络。试验采用的编程语言为 Python；深度 DDC 0.00005 45
学习框架为 PyTorch；损失函数为交叉熵损失函数。 DCORAL 0.00005 45
对于试验中的超参数学习率和批次大小采用网格搜 DAN 0.00005 45
JAN 0.00005 45
索 法 和 设 计 经 验 进 行 确 定， 学 习 率 的 搜 索 范 围 为
MsRDDA 0.00005 45
[0.5,0.05,0.005,0.0005,0.00005]；训练的批大小的搜索
范 围为 [15,30,45]， 最 终 确 定 的 模 型 参 数 如 表 5 所 在试验台 2 的平均准确率分别为 74.753% 和 77.716%，
示 。 为 保 证 试 验 的 一 致 性， 采 用 的 优 化 器 均 为 分类效果比只考虑条件概率密度的模型 1 好。DAN
Adam 优化器，训练轮数均设置为 600。 在 两 个 全 连 接 层 进 行 域 适 应， 平 均 故 障 准 确 率 比

CMMD 模型和 DDC 模型高，为 91.926% 和 75.124%。
4.3 结果分析
JAN 通过考虑条件概率密度和边缘概率密度两个方
6 种方法的迁移诊断结果使用准确率作为判断 面进行域适应，比只考虑条件概率密度的 CMMD 和
指标，如表 6 和图 8 所示。可以看出，平均准确率最 只考虑边缘概率密度的 DDC 的识别准确率高。本
低 的是 CMMD 模 型 ， 此 方 法 只 考 虑 到 条 件 概 率 密 文所提的 MsRDDA 模型动态衡量条件概率密度和边
度，平均准确率分别为 84.074% 和 74.568%，且在 T2 缘概率，通过计算条件概率密度和边缘概率密度两
任务上的准确率只有 64%，此模型在故障诊断中的 个方面对于域适应的贡献度进行域适配，在试验台
稳定性较差，诊断效果一般。DDC 和 DCORAL 分别 1 上 6 个任务上的平均准确率达到 97.963%，在试验
采用 MMD 和 CORAL 作为度量函数进行域适应，在 台 2 上 3 个任务上的平均准确率达到 99.259%，对转
试验台 1 的平均准确率分别为 90.592% 和 90.963%， 子不同故障的识别能力高于其他 5 种模型。

表 6 迁移任务准确率（单位：%）
Tab. 6 The accuracy of the migration task （Unit：%）

试验台1 试验台2
模型
T1 T2 T3 T4 T5 T6 平均 T7 T8 T9 平均
CMMD 80.444 64.000 95.556 89.556 88.222 86.667 84.074 91.852 66.667 65.185 74.568
DDC 86.667 82.444 96.222 97.333 91.778 91.111 90.592 92.963 66.667 64.630 74.753
DCORAL 87.111 83.111 97.556 98.889 92.667 86.444 90.963 80.370 79.815 72.963 77.716
DAN 85.556 82.444 98.222 94.889 91.778 98.667 91.926 83.519 64.630 77.222 75.124
JAN 81.111 81.333 99.778 95.333 92.444 94.889 90.815 95.000 65.000 79.074 76.691
MsRDDA 92.000 100.000 100.000 99.778 97.333 98.667 97.963 98.889 98.889 100 99.259

CMMD DDC DCORAL DAN JAN MsRDDA 图 9（a）所示，采用 CMMD 进行域适应的模型只能准
100
确识别气流扰动故障，其余 4 种故障的识别准确率
80 分别为 52%、54%、53%、60%，对这 4 类故障没有诊
准确率 / % 60 断能力。除模型 1 外，其余 5 种模型迁移诊断均能

准确识别转子的正常状态、气流扰动故障和转子不
40
对中故障，对于质量不平衡和轴承座扰动故障识别
20
较差，这 2 个类别的迁移任务难度最高。如图 9（b）、
0 和 对于质量不平衡
T1 T2 T3 T4 T5 T6 T7 T8 T9 （d）和（e）所示，DDC、DAN JAN
任务序号 和轴承座扰动故障的识别准确率最低为 48%，最高

图 8 迁移任务准确率 为 61%，诊断效果较差。如图 9（c）所示，DCORAL 对
Fig. 8 The accuracy of the migration task
于轴承座松动故障识别效果较差，准确率仅为 34%，
对于质量不平衡故障的识别准确率为 81%。本文所
4.4 可视化试验
提 MsRDDA 模型对于各类故障的识别准确率均为
为了清晰地说明模型对测试集的识别效果，将 100%，可以实现对 5 个故障的精准诊断。

T2 任务上的诊断结果采用混淆矩阵进行展示。如 为了更直观地展示本文所提方法的有效性，采用