数字孪生辅助的行星齿轮箱故障诊断

摘要

工业场景中行星齿轮箱故障数据采集难度大，而智能故障诊断方法的训练需要大量标记数据，对此，提出一种数字孪生辅助的动态域自适应对抗故障诊断方法。构建行星齿轮箱刚柔耦合数字孪生模型，生成丰富且高质量带故障标签的孪生数据供模型训练使用。设计动态域自适应对抗网络(dynamic domain adaptive adversarial network, DDAAN),实现孪生数据到实测数据的多尺度特征迁移。该网络使用高效金字塔拆分注意力网络(efficient pyramid split attention network, EPSAnet)作为特征提取器，并嵌入高效通道注意力机制(efficient channel attention, ECA)强化特征提取能力。通过引入带权重因子的最大平均差异(λ-maximum mean difference,λ-MMD)实现多尺度特征分布的动态调整，结合领域对抗机制引导特征提取器提取域不变特征。通过实验室DDS行星齿轮箱数据集验证，结果表明，2种工况下故障诊断平均准确率均超95%,证明了所提方法的有效性。

关键词

行星齿轮箱 / 故障诊断 / 数字孪生 / 迁移学习 / 域自适应

基金资助

重庆市教委科学技术研究项目(KJZD-M202200701); 重庆市自然科学基金创新发展联合基金项目(CSTB2023NSCQ-LZX0127); 重庆市研究生联合培养基地项目(JDLHPYJD2021007); 重庆市专业学位研究生教学案例库项目(JDALK2022007); 重庆交通大学研究生科研创新项目(YYK202406)