基于多任务孪生核矩阵机的机械故障诊断方法

doi:10.3901/JME.260415

机械工程学报 ›› 2026, Vol. 62 ›› Issue (9): 191-200.doi: 10.3901/JME.260415

• 机械动力学 • 上一篇

扫码分享

基于多任务孪生核矩阵机的机械故障诊断方法

潘海洋, 陈春安, 郑近德, 童靳于, 程健

安徽工业大学机械工程学院马鞍山 243032

收稿日期:2025-05-10 修回日期:2025-10-29 发布日期:2026-07-08
作者简介:潘海洋，男，1989年出生，博士，副教授，硕士研究生导师。主要研究方向为设备状态监测与故障诊断、信号处理和模式识别。E-mail：pansea@ahut.edu.cn;陈春安，男，2001年出生，硕士研究生。主要研究方向为设备状态检测与故障诊断。E-mail：19818718153@163.com;郑近德(通信作者)，男，1986年出生，博士，教授，博士研究生导师。主要研究方向为机械健康检测和故障诊断、信号处理和复杂性理论。E-mail：lqdlzheng@126.com;童靳于，女，1987年出生，博士，高级实验师，硕士研究生导师。主要研究方向为统计信号处理、振动信号分析和测量。E-mail：jytong@ahut.edu.cn;程健，男，1995年出生，博士，讲师。主要研究方向为机械健康检测与故障诊断、信号处理。E-mail：chengjian@ahut.edu.cn
基金资助:
安徽省高校杰出青年科研(2022AH020032)和安徽省高校自然科学研究重点(2022AH050292)资助项目。

Mechanical Fault Diagnosis Method Based on Multi-task Twin Kernel Matrix Machine

PAN Haiyang, CHEN Chunan, ZHENG Jinde, TONG Jinyu, CHENG Jian

School of Mechanical Engineering, Anhui University of Technology, Ma'anshan 243032

Received:2025-05-10 Revised:2025-10-29 Published:2026-07-08

摘要/Abstract

摘要： 在进行机械设备多目标诊断时，往往需要建立多个具有独立性的单任务模型，其忽略了多目标任务间的关联性信息，致使诊断模型不准确。基于此，提出了一种基于多任务孪生核矩阵机(Multi-task twin kernel matrix machine, MTTKMM)的机械故障诊断方法。在MTTKMM中，首先设计核增强项，实现对多任务间数据的同步处理，有助于挖掘不同任务间的关联性特征，从而提高模型利用共性信息的能力；然后，利用内置偏移量描述数据间的非线性关系，使模型在处理多目标数据时更具灵活性，提高模型分类的稳定性；最后，考虑不同任务间数据具有较大差异问题，设计了泛化损失项，优化模型在多任务数据间的拟合能力，减少过拟合现象。为了验证MTTKMM在多任务机械故障诊断中的有效性，采用滚动轴承、齿轮等数据集进行实验验证，实验结果表明：MTTKMM在多目标诊断中具有优越的分类性能。

关键词: 故障诊断, 多任务孪生核矩阵机, 多任务学习, 滚动轴承, 齿轮

Abstract: Multi-object joint diagnosis often requires the establishment of multiple independent single task models, which leads to the omission of correlation information between multiple objects in the diagnostic model, resulting in inaccurate diagnostic models. Based on this, a mechanical fault diagnosis method based on multi-task twin kernel matrix machine (MTTKMM) is proposed. In MTTKMM, the synchronization processing of multi-task data is first achieved by designing kernel enhancement terms, which help to explore the correlation features between different tasks and improve the model's ability to utilize common information. Then, by utilizing the built-in nonlinear offset to capture the nonlinear relationships between data, the model becomes more flexible when dealing with complex data of multiple objects, further improving the stability of model classification. Finally, considering the significant differences in data between different tasks, a generalization loss is designed to optimize the model's fitting ability on multi-task data and reduce overfitting. To verify the effectiveness of MTTKMM in multi-task mechanical fault diagnosis, experimental verification is conducted using datasets such as rolling bearings and gears. The experimental results prove that MTTKMM has superior classification performance in multi-object diagnosis.

Key words: fault diagnosis, multi-task twin kernel matrix machine, multi-task learning, rolling bearing, gear

中图分类号:

TH133

潘海洋, 陈春安, 郑近德, 童靳于, 程健. 基于多任务孪生核矩阵机的机械故障诊断方法[J]. 机械工程学报, 2026, 62(9): 191-200.

PAN Haiyang, CHEN Chunan, ZHENG Jinde, TONG Jinyu, CHENG Jian. Mechanical Fault Diagnosis Method Based on Multi-task Twin Kernel Matrix Machine[J]. Journal of Mechanical Engineering, 2026, 62(9): 191-200.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260415

http://www.cjmenet.com.cn/CN/Y2026/V62/I9/191

参考文献

[1] 卞文彬，邓艾东，刘东川，等. 基于改进深度残差收缩网络的风电机组滚动轴承故障诊断方法[J]. 机械工程学报，2023，59(12)：202-214. BIAN Wenbin，DENG Aidong，LIU Dongchuan，et al. Fault diagnosis method of wind turbine rolling bearing based on improved deep residual shrinkage network[J]. Journal of Mechanical Engineering，2023，59(12)：202-214.
[2] 肖扬，王庆锋，杨哲，等. 旋转机械突发不平衡故障早期预警及诊断方法研究[J]. 机械工程学报，2023，59(11)：308-318. XIAO Yang，WANG Qingfeng，YANG Zhe，et al. Research on incipient warning and diagnosis method of sudden unbalance faults in rotating machinery[J]. Journal of Mechanical Engineering，2023，59(11)：308-318.
[3] MIAO Yonghao，ZHANG Boyao，LI Chenhui，et al. Feature mode decomposition：New decomposition theory for rotating machinery fault diagnosis[J]. IEEE Transactions on Industrial Electronics，2022，70(2)：1949-1960.
[4] JAGANNATH A，JAGANNATH J. Dataset for modulation classification and signal type classification for multi-task and single task learning[J]. Computer Networks，2021，199：108441.
[5] 米君杰，姚建勇，邓文翔. 基于神经网络的缠绕过程张力积分鲁棒控制[J]. 机械工程学报，2021，57(24)：74-82. MI Junjie，YAO Jianyong，DENG Wenxiang. Neural network based RISE control of winding tension[J]. Journal of Mechanical Engineering，2021，57(24)：74-82.
[6] 周澄，邓菲，刘尧，等. 基于神经网络和支持向量机的导波弯管腐蚀损伤程度辨识研究[J]. 机械工程学报，2021，57(12)：136-144. ZHOU Cheng，DENG Fei，LIU Yao，et al. Identification of corrosion damage degree of guided wave bend pipe based on neural network and support vector machine[J]. Journal of Mechanical Engineering，2021，57(12)：136-144.
[7] KURANI A，DOSHI P，VAKHARIA A，et al. A comprehensive comparative study of artificial neural network (ANN) and support vector machines (SVM) on stock forecasting[J]. Annals of Data Science，2023，10(1)：183-208.
[8] PAN Haiyang，XU Haifeng，ZHENG Jinde，et al. Twin robust matrix machine for intelligent fault identification of outlier samples in roller bearing[J]. Knowledge-Based Systems，2022，252：109391.
[9] PAN Haiyang，XU Haifeng，ZHENG Jinde，et al. Non-parallel bounded support matrix machine and its application in roller bearing fault diagnosis[J]. Information Sciences，2023，624：395-415.
[10] TANVEER M，TIWARI A，CHOUDHARY R，et al. Large-scale pinball twin support vector machines[J]. Machine Learning，2022，111：3525-3548.
[11] SHAO Yuanhai，CHEN Weijie，WANG Zhen，et al. Weighted linear loss twin support vector machine for large-scale classification[J]. Knowledge-Based Systems，2015，73：276-288.
[12] ZHENG Qingqing，ZHU Fengyuan，QIN Jin，et al. Sparse support matrix machine[J]. Pattern Recognition，2018，76：715-726.
[13] LI Xin，CHENG Jian，SHAO Haidong，et al. A fusion CWSMM-based framework for rotating machinery fault diagnosis under strong interference and imbalanced case[J]. IEEE Transactions on Industrial Informatics，2021，18(8)：5180-5189.
[14] VANDENHENDE S，GEORGOULIS S，VAN Gansbeke W，et al. Multi-task learning for dense prediction tasks：A survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2021，44(7)：3614-3633.
[15] AN Ran，XU Yitian，LIU Xuhua. Multi-task twin bounded support vector machine and its safe screening rule[J]. Applied Soft Computing，2023，138：110188.
[16] LIU Zongmin，XU Yitian. Multi-task nonparallel support vector machine for classification[J]. Applied Soft Computing，2022，124：109051.
[17] ZHENG Qingqing，ZHU Fengyuan，QIN Jin，et al. Multiclass support matrix machine for single trial EEG classification[J]. Neurocomputing，2018，275：869-880.
[18] LI Xin，YANG Yu，PAN Haiyang，et al. Non-parallel least squares support matrix machine for rolling bearing fault diagnosis[J]. Mechanism and Machine Theory，2020，145：103676.
[19] PAN Haiyang，ZHENG Jinde. An intelligent fault diagnosis method for roller bearing using symplectic hyperdisk matrix machine[J]. Applied Soft Computing, 2021，105：107284.

基于多任务孪生核矩阵机的机械故障诊断方法

Mechanical Fault Diagnosis Method Based on Multi-task Twin Kernel Matrix Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	张颖, 魏士杰, 姜鹏飞, 王中阳, 武通海, 雷亚国, 曹军义. 燃油齿轮泵振动的动力学机理与减振技术研究进展及挑战[J]. 机械工程学报, 2026, 62(9): 104-130.
[2]	庞靖炜, 刘思远, 何炆俊, 宋朝省. 钝交错角准双曲面齿轮几何设计与接触行为控制方法[J]. 机械工程学报, 2026, 62(9): 131-144.
[3]	李志农, 余紫莹, 王奉涛, 李喆. 小波赋能联邦学习的机械故障诊断[J]. 机械工程学报, 2026, 62(9): 182-190.
[4]	郑思远, 李晓宇, 魏欣宇, 魏卓豪. 基于磁场的电池外部短路故障诊断方法[J]. 机械工程学报, 2026, 62(6): 220-227.
[5]	路凯屹, 王曾, 王宪良, 卢泽华, 刘怀举. 考虑热-机械载荷的航发齿轮传动系统疲劳可靠性分析方法[J]. 机械工程学报, 2026, 62(3): 407-419.
[6]	王维民, 刘延振. 基于叶尖监测的航空发动机故障诊断与预警技术研究综述[J]. 机械工程学报, 2026, 62(2): 1-16.
[7]	郭二廓, 刘树龙, 陈子彦, 乔华, 刘德永, 陈明. 强力车齿加工理论与方法研究综述[J]. 机械工程学报, 2025, 61(9): 335-349.
[8]	刘东宁, 葛研军, 杨均悦, 刘放. 多轴环板永磁齿轮偏心磁场计算及动态特性分析[J]. 机械工程学报, 2025, 61(9): 372-382.
[9]	吴艳灵, 汤宝平, 邓蕾, 付豪. 低通筛选优化神经架构搜索的风电齿轮箱边缘侧故障诊断方法[J]. 机械工程学报, 2025, 61(7): 361-372.
[10]	雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬. 面向机械设备通用健康管理的智能运维大模型[J]. 机械工程学报, 2025, 61(6): 1-13.
[11]	韩长坤, 卢威, 宋浏阳, 王华庆. 特征原子稀疏解析的多状态机械故障诊断方法[J]. 机械工程学报, 2025, 61(6): 33-42.
[12]	刘文朋, 杨绍普, 刘永强, 顾晓辉, 王久健. 轮轨激励下高速列车轴箱轴承故障诊断方法研究[J]. 机械工程学报, 2025, 61(6): 249-259.
[13]	郭二廓, 张洪川, 周艺涵, 陈明. 产形线与平面齿廓双自由度啮合滚棱加工方法[J]. 机械工程学报, 2025, 61(5): 191-201.
[14]	操兵, 何坤, 李国龙, 陈永鹏. 考虑多齿对接触的非平行轴变厚齿轮副承载接触分析高效数值方法[J]. 机械工程学报, 2025, 61(5): 239-249.
[15]	李华, 王天杨, 张飞斌, 褚福磊. KurVMDPgram：一种用于旋转机械故障诊断的信号分解算法[J]. 机械工程学报, 2025, 61(4): 11-23.