Page 287 - 《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 603

行短时傅里叶变换，将得到的二维时频域图像作为 deep learning method[J]. Applied Sciences， 2023， 13（ 3） ：
模型的输入，利用所提出的多尺度残差网络对数据 1327.
进行特征提取，并在全连接层通过动态分布域适应 [6] 李泽东，李志农，陶俊勇，等. 基于全矢谱-深度置信网络
方法对齐源域和目标域的分布差异。运用转子试验 的转子故障诊断方法研究 [J]. 兵器装备工程学报，2022，
台采集的故障数据对所提方法性能进行了验证，试 43（1）：48-54.
验结果表明： LI Zedong，LI Zhinong，TAO Junyong，et al. Rotor fault
（1）所提多尺度残差神经网络融合了多尺度卷 diagnosis based on full vector spectrum and deep belief
积和空间可分离卷积，提取到丰富的转子故障特征， network[J]. Journal of Ordnance Equipment Engineering，
增强了模型对于故障特征的感知能力； 2022，43（1）：48-54.
（2）所提方法将动态域适应策略引入到多尺度 [7] KIM M，JUNG J H，KO J U，et al. Direct connection-based
残差网络中，动态评估迁移学习中边缘分布和条件
convolutional neural network （DC-CNN） for fault diagnosis
分布的相对重要性，有效地缩小源域和目标域之间
of rotor systems[J]. IEEE Access，2020，8：172043-172056.
的差异，对齐源域和目标域的分布特征，在不同的试
[8] ZHANG Q L，HE Q S，QIN J Y，et al. Application of fault
验 台 上， 进 行 跨 工 况 迁 移 试 验 的 诊 断 能 力 均 优 于
diagnosis method combining finite element method and trans-
CMMD、 DDC、 DCORAL、 DAN、 JAN 这 5 种 传 统 域
fer learning for insufficient turbine rotor fault samples[J].
适应方法，所提方法提升了跨域诊断精度。
Entropy，2023，25（3）：414.
[9] 唐竞鹏，王红军，钟建琳，等. 基于 WDCNN-SVM 深度迁
参考文献：

移学习的燃气轮机转子故障诊断方法 [J]. 电子测量与仪器
学报，2021，35（11）：115-123.
[1] JANSSENS O， SLAVKOVIKJ V， VERVISCH B， et al.
TANG Jingpeng，WANG Hongjun，ZHONG Jianlin，et al.
Convolutional neural network based fault detection for rotat-
Gas turbine rotor fault diagnosis method based on WDCNN-
ing machinery[J]. Journal of Sound and Vibration， 2016，
SVM deep transfer learning[J]. Journal of Electronic Measure-
377：331-345.
ment and Instrumentation，2021，35（11）：115-123.
[2] 宫文峰，陈辉，张泽辉，等. 基于改进卷积神经网络的滚
[10] TZENG E，HOFFMAN J，ZHANG N，et al. Deep domain
动 轴 承 智 能 故 障 诊 断 研究 [J]. 振 动 工 程 学 报 ， 2020，
confusion：maximizing for domain invariance[EB/OL]. arXiv
33（2）：400-413.
preprint arXiv: 1412.3474, 2014.
GONG Wenfeng，CHEN Hui，ZHANG Zehui，et al. Intelli-
[11] LONG M，CAO Y，WANG J，et al. Learning transferable
gent fault diagnosis for rolling bearing based on improved
features with deep adaptation networks[EB/OL]. arXiv
convolutional neural network[J]. Journal of Vibration Engi-
preprint arXiv: 1502.0279，2015.
neering，2020，33（2）：400-413.
[12] LONG M，WANG J M，DING G G，et al. Transfer feature
[3] 朱广贺，朱智强，袁逸萍. 基于改进 CNN 的旋转设备转子
learning with joint distribution adaptation[C]//Proceedings of
振动故障预测仿真 [J]. 计算机仿真，2023，40（6）：533- IEEE International Conference on Computer Vision. Sydney，

537.
Australia：IEEE，2014：2200-2207.
ZHU Guanghe，ZHU Zhiqiang，YUAN Yiping. Simulation [13] SUN B C，FENG J S，SAENKO K. Return of of frustrat-
of rotor vibration fault prediction for rotating equipment based ingly easy domain adaptation[J]. Proceedings of the AAAI
on improved CNN[J]. Computer Simulation，2023，40（6）： Conference on Artificial Intelligence，2016，30（1）：2058-
533-537. 2065.
[4] 万周，何俊增，姜东，等. 基于参数优化 SDP 分析的转子 [14] XU Y J， LIU J Z， WAN Z， et al. Rotor fault diagnosis
故障诊断方法 [J]. 振动与冲击，2023，42（1）：81-88. using domain-adversarial neural network with time-frequency
WAN Zhou，HE Junzeng，JIANG Dong，et al. Rotor fault analysis[J]. Machines，2022，10（8）：610.
diagnosis method based on parametric optimization SDP anal- [15] LIU S C，WANG H J，TANG J P，et al. Research on fault
ysis[J]. Journal of Vibration and Shock，2023，42（1）：81- diagnosis of gas turbine rotor based on adversarial discrimina-
88. tive domain adaption transfer learning[J]. Measurement，
[5] WANG C Y，ZHENG Z L，GUO D，et al. An experimental 2022，196：111174.

setup to detect the crack fault of asymmetric rotors based on a [16] 朱琰，黄敏，王小静，等. 基于深度迁移学习的滑动轴承-