摘要：【目的】現(xiàn)有智能故障診斷方法面臨的挑戰(zhàn)包括模型訓練依賴于大量標簽數(shù)據(jù)、故障數(shù)據(jù)獲取困難且發(fā)生概率不同、對工況影響考慮不足等。為此，提出一種變工況下自適應類間和類內(nèi)非平衡故障數(shù)據(jù)的齒輪箱診斷方法。【方法】首先，構(gòu)建門控局部連接網(wǎng)絡，有效降低對標簽數(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，設計外部注意力和內(nèi)部注意力并行機制，考慮變工況下類間故障和類內(nèi)故障分布差異，進一步調(diào)整提取特征權(quán)重；最后，采用焦點損失函數(shù)，更加關(guān)注少數(shù)類和困難類樣本，實現(xiàn)高質(zhì)量的非平衡診斷信息挖掘。【結(jié)果】經(jīng)齒輪箱故障試驗平臺6組非平衡數(shù)據(jù)測試，驗證了所提方法自適應識別非平衡故障數(shù)據(jù)的有效性和優(yōu)越性。

關(guān)鍵詞：故障診斷；類間和類內(nèi)非平衡；門控局部連接網(wǎng)絡；注意力并行機制；焦點損失

中圖分類號：TP181 DOI：10. 16578/j. issn. 1004. 2539. 2025. 01. 019

0 引言

齒輪箱是工業(yè)設備的主要傳動部件之一，廣泛應用于電力、冶金、礦山等現(xiàn)代化大型裝備系統(tǒng)。由于齒輪箱長期運行在惡劣環(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，導致齒輪箱運行不穩(wěn)定，工業(yè)系統(tǒng)生產(chǎn)效率降低，嚴重的甚至造成人員傷亡[1]。因此，開展準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)定運行的關(guān)鍵。

振動監(jiān)測是針對工業(yè)齒輪箱最直接、最有效的故障分析方法[2]。基于振動信號的故障診斷方法大致包括數(shù)據(jù)獲取、特征提取和故障識別3個步驟。根據(jù)特征提取方式的不同，又可分為機器學習診斷方法和深度學習診斷方法。前者采用人工特征提取方式，需要豐富的經(jīng)驗和領域知識，相當費力和耗時[3]。后者無需人工干預，能夠自動從原始數(shù)據(jù)中提取特征，在故障診斷領域展現(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)絡和極限學習機相結(jié)合的故障診斷方法，在分類精度上明顯優(yōu)于其他傳統(tǒng)機器學習方法。何財林等[5]針對旋轉(zhuǎn)機械標簽故障樣本不足的問題，提出了一種基于多個自編碼器子網(wǎng)絡的深度特征選取方法。杜浩飛等[6]設計了一種基于注意力機制、殘差網(wǎng)絡和長短時記憶網(wǎng)絡的并行故障診斷模型，充分挖掘數(shù)據(jù)關(guān)聯(lián)關(guān)系，實現(xiàn)了風機滾動軸承的早期故障診斷。

然而，上述深度學習模型中通常假設不同類別的樣本數(shù)量相同，誤分代價也相同，這無疑限制了其在工業(yè)實踐中的應用。實際上，齒輪箱在運行過程中大多處于正常狀態(tài)，即使在故障狀態(tài)，也無法長時間持續(xù)運行，導致故障樣本的數(shù)量遠少于正常樣本；而且故障樣本的誤分代價明顯大于正常樣本的誤分代價，與正常樣本數(shù)據(jù)呈現(xiàn)類間非平衡。但深度學習模型為了最大化分類精度，必然會偏向多數(shù)類正常樣本，易造成少數(shù)類故障樣本的誤診或漏診。因此，從非平衡振動信號中有效識別故障特征是齒輪箱故障診斷的關(guān)鍵任務之一。

目前，解決非平衡數(shù)據(jù)故障診斷問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)集達到平衡。直觀來看，可以采用欠采樣技術(shù)[7]減少多數(shù)類的樣本數(shù)量，或采用過采樣技術(shù)[8]增加少數(shù)類的樣本數(shù)量，也可以結(jié)合兩種方法[9]，以平衡各類樣本數(shù)量。區(qū)別于傳統(tǒng)的數(shù)據(jù)重采樣技術(shù)，生成對抗網(wǎng)絡及其變體[10-11]能夠生成與少數(shù)類故障樣本相似的數(shù)據(jù)，有效擴充故障樣本數(shù)量。上述方法可緩解數(shù)據(jù)非平衡的影響，但本質(zhì)上并沒有增加樣本信息，而且生成對抗網(wǎng)絡的訓練過程不穩(wěn)定。因此，基于數(shù)據(jù)的方法調(diào)整非平衡數(shù)據(jù)的學習能力十分有限。