摘要：【目的】現(xiàn)有智能故障診斷方法面臨的挑戰(zhàn)包括模型訓(xùn)練依賴于大量標(biāo)簽數(shù)據(jù)、故障數(shù)據(jù)獲取困難且發(fā)生概率不同、對(duì)工況影響考慮不足等。為此，提出一種變工況下自適應(yīng)類(lèi)間和類(lèi)內(nèi)非平衡故障數(shù)據(jù)的齒輪箱診斷方法。【方法】首先，構(gòu)建門(mén)控局部連接網(wǎng)絡(luò)，有效降低對(duì)標(biāo)簽數(shù)據(jù)的依賴，直接從原始數(shù)據(jù)中挖掘數(shù)據(jù)分布本征特征；其次，設(shè)計(jì)外部注意力和內(nèi)部注意力并行機(jī)制，考慮變工況下類(lèi)間故障和類(lèi)內(nèi)故障分布差異，進(jìn)一步調(diào)整提取特征權(quán)重；最后，采用焦點(diǎn)損失函數(shù)，更加關(guān)注少數(shù)類(lèi)和困難類(lèi)樣本，實(shí)現(xiàn)高質(zhì)量的非平衡診斷信息挖掘?！窘Y(jié)果】經(jīng)齒輪箱故障試驗(yàn)平臺(tái)6組非平衡數(shù)據(jù)測(cè)試，驗(yàn)證了所提方法自適應(yīng)識(shí)別非平衡故障數(shù)據(jù)的有效性和優(yōu)越性。

關(guān)鍵詞：故障診斷；類(lèi)間和類(lèi)內(nèi)非平衡；門(mén)控局部連接網(wǎng)絡(luò)；注意力并行機(jī)制；焦點(diǎn)損失

中圖分類(lèi)號(hào)：TP181 DOI：10. 16578/j. issn. 1004. 2539. 2025. 01. 019

0 引言

齒輪箱是工業(yè)設(shè)備的主要傳動(dòng)部件之一，廣泛應(yīng)用于電力、冶金、礦山等現(xiàn)代化大型裝備系統(tǒng)。由于齒輪箱長(zhǎng)期運(yùn)行在惡劣環(huán)境中，齒輪和軸承等關(guān)鍵部件不可避免地發(fā)生磨損、疲勞、裂紋等故障，導(dǎo)致齒輪箱運(yùn)行不穩(wěn)定，工業(yè)系統(tǒng)生產(chǎn)效率降低，嚴(yán)重的甚至造成人員傷亡[1]。因此，開(kāi)展準(zhǔn)確高效的齒輪箱故障診斷技術(shù)研究，是保證現(xiàn)代工業(yè)系統(tǒng)安全穩(wěn)定運(yùn)行的關(guān)鍵。

振動(dòng)監(jiān)測(cè)是針對(duì)工業(yè)齒輪箱最直接、最有效的故障分析方法[2]?；谡駝?dòng)信號(hào)的故障診斷方法大致包括數(shù)據(jù)獲取、特征提取和故障識(shí)別3個(gè)步驟。根據(jù)特征提取方式的不同，又可分為機(jī)器學(xué)習(xí)診斷方法和深度學(xué)習(xí)診斷方法。前者采用人工特征提取方式，需要豐富的經(jīng)驗(yàn)和領(lǐng)域知識(shí)，相當(dāng)費(fèi)力和耗時(shí)[3]。后者無(wú)需人工干預(yù)，能夠自動(dòng)從原始數(shù)據(jù)中提取特征，在故障診斷領(lǐng)域展現(xiàn)出良好的診斷效果。CHEN等[4]提出了一種將卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)相結(jié)合的故障診斷方法，在分類(lèi)精度上明顯優(yōu)于其他傳統(tǒng)機(jī)器學(xué)習(xí)方法。何財(cái)林等[5]針對(duì)旋轉(zhuǎn)機(jī)械標(biāo)簽故障樣本不足的問(wèn)題，提出了一種基于多個(gè)自編碼器子網(wǎng)絡(luò)的深度特征選取方法。杜浩飛等[6]設(shè)計(jì)了一種基于注意力機(jī)制、殘差網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的并行故障診斷模型，充分挖掘數(shù)據(jù)關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)了風(fēng)機(jī)滾動(dòng)軸承的早期故障診斷。

然而，上述深度學(xué)習(xí)模型中通常假設(shè)不同類(lèi)別的樣本數(shù)量相同，誤分代價(jià)也相同，這無(wú)疑限制了其在工業(yè)實(shí)踐中的應(yīng)用。實(shí)際上，齒輪箱在運(yùn)行過(guò)程中大多處于正常狀態(tài)，即使在故障狀態(tài)，也無(wú)法長(zhǎng)時(shí)間持續(xù)運(yùn)行，導(dǎo)致故障樣本的數(shù)量遠(yuǎn)少于正常樣本；而且故障樣本的誤分代價(jià)明顯大于正常樣本的誤分代價(jià)，與正常樣本數(shù)據(jù)呈現(xiàn)類(lèi)間非平衡。但深度學(xué)習(xí)模型為了最大化分類(lèi)精度，必然會(huì)偏向多數(shù)類(lèi)正常樣本，易造成少數(shù)類(lèi)故障樣本的誤診或漏診。因此，從非平衡振動(dòng)信號(hào)中有效識(shí)別故障特征是齒輪箱故障診斷的關(guān)鍵任務(wù)之一。

目前，解決非平衡數(shù)據(jù)故障診斷問(wèn)題的方法主要分為基于數(shù)據(jù)的方法和基于算法的方法?；跀?shù)據(jù)的方法通常采用重采樣技術(shù)使數(shù)據(jù)集達(dá)到平衡。直觀來(lái)看，可以采用欠采樣技術(shù)[7]減少多數(shù)類(lèi)的樣本數(shù)量，或采用過(guò)采樣技術(shù)[8]增加少數(shù)類(lèi)的樣本數(shù)量，也可以結(jié)合兩種方法[9]，以平衡各類(lèi)樣本數(shù)量。區(qū)別于傳統(tǒng)的數(shù)據(jù)重采樣技術(shù)，生成對(duì)抗網(wǎng)絡(luò)及其變體[10-11]能夠生成與少數(shù)類(lèi)故障樣本相似的數(shù)據(jù)，有效擴(kuò)充故障樣本數(shù)量。上述方法可緩解數(shù)據(jù)非平衡的影響，但本質(zhì)上并沒(méi)有增加樣本信息，而且生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程不穩(wěn)定。因此，基于數(shù)據(jù)的方法調(diào)整非平衡數(shù)據(jù)的學(xué)習(xí)能力十分有限。