机械工程学报 ›› 2026, Vol. 62 ›› Issue (17): 361-372.doi: 10.3901/JME.260358
• 机器人及机构学 • 上一篇
刘杰1, 李世新1, 李朝峰2, 杨娜1
LIU Jie1, LI Shixin1, LI Chaofeng2, YANG Na1
摘要: 在实际工业场景中难以获取充足且同分布的故障样本,不同工况下采集的样本往往呈现严重的类别不均衡特性,健康样本数量远超故障样本,这给现有的智能故障诊断研究带来新的挑战。为此,提出一种基于类别感知增强和原型约束的不均衡跨域故障诊断方法,面向类别不均衡与故障样本稀少的挑战,实现多源域下不同工况间的跨域故障诊断。首先,设计一种类别感知跨域增强方法,可以充分挖掘多源域样本信息。该方法通过计算不同域间同类别样本特征中心的余弦相似度,量化域间分布差异,并根据相似度自适应确定插值权重范围,避免盲目跨域插值导致的特征退化。其次,定义一种基于原型网络的质量约束机制,可以灵活有效地评估增强样本与目标类别原型的相似性,确保生成样本的类别一致性,进一步提高模型在不同工况下的泛化性。通过设置不同的跨域诊断任务和不均衡比例,与其他先进的跨域故障诊断方法进行对比验证。结果表明,相比现有方法,所提方法可以更有效地在不均衡挑战下实现不同工况间的齿轮箱跨域故障诊断。
中图分类号: