一种基于层次识别与分阶段域适应的无监督迁移学习方法，用于强非线性齿轮传动系统故障诊断

《Engineering Applications of Artificial Intelligence》：An unsupervised transfer learning method based on hierarchical recognition and phased domain adaptation for strongly nonlinear gear transmission system fault diagnosis

　　王建康|牛明奎|杨孔华|刘一斌|王凯|荣方川|刘春宝中国长春市吉林大学机械与航空航天工程学院，邮编130022摘要现有的故障诊断研究大多集中在单个轴承或齿轮上，通常依靠直接的故障模式识别，并在诊断过程的单一阶段进行领域适配。然而，这种方法无法有效处理强非线性齿轮传动系统中复杂的故障模式。为解决这些难题，本文提出了一种基于层次化识别和分阶段领域适配的新型无监督迁移学习方法，用于强非线性齿轮传动系统的故障诊断，这类系统常见于高速重载车辆传动系统中。具体而言，该方法采用了层次化识别策略，首先利用故障测量指标对故障进行分类，然后再精确识别具体的故障类型。这种分层识别过程可以减少在直接识别过程中类似故障之间的干扰。此外，还设计了分阶段领域适配机制，在特征提取和分类的多个阶段进行领域适配，从而更有效地缩小源领域与目标领域之间的分布差异。在模拟的高速重载车辆传动试验台上进行的实验验证表明，即使存在包括不同严重程度和复合故障在内的13种故障类型，该方法的传输诊断准确率仍可超过97%。将该方法应用于齿轮箱故障诊断时，其准确率比传统方法高出30%，且改进幅度始终在15%以上，充分体现了该方法的优势。引言高速重载车辆在长时间运行和恶劣的工作条件下工作，传动轴轴承、齿轮箱以及传动系统中的其他关键部件出现故障时，常常会导致异常振动。这些振动不仅会对运行安全构成严重威胁，还可能引发重大事故，因此故障诊断对于确保车辆的高效可靠运行至关重要。现有的故障诊断方法主要关注单个元件，如轴承或齿轮，而且往往只考虑简化的故障模式（Tang等人，2024；Lei等人，2020；Li等人，2022）。然而，作为典型的强非线性齿轮传动系统，高速重载车辆传动系统的故障模式要复杂得多，通常表现为涉及齿轮箱中轴承和齿轮的协同故障。因此，这类系统的故障诊断仍然是一项极具挑战性的任务。此外，变化多端的运行条件进一步增加了诊断的难度，这些条件会极大阻碍数据采集，导致直接故障诊断所需的数据集不足。迁移学习为解决这一问题提供了可能，它能够利用从一个或多个源领域获得的知识，来提升在不同但相关的目标领域的诊断能力（Pan等人，2010）。因此，基于迁移学习的故障诊断方法已成为研究时间变化运行条件和故障数据有限场景下的新兴焦点。许多研究者提出了多种以特征提取技术、迁移策略和损失函数为核心的诊断方法。这些方法已经通过各种开源数据集得到了验证，例如凯斯西储大学轴承数据集（Pan等人，2025；Li等人，2024a；Tang等人，2023；Fanga等人，2025）、帕德博恩大学轴承数据集（Wang等人，2024，2025；Li等人，2025a；Chen等人，2023）、江南大学轴承数据集（Yin等人，2024；Huo等人，2023）以及西安交通大学轴承数据集（Jiang等人，2025；Huang等人，2024）。还有一些研究则使用了自行收集的数据集进行实验验证，例如自行收集的轴承数据集（Wu等人，2023；Sun等人，2025；Liu等人，2024b）、自行收集的齿轮数据集（Li等人，2023，Li等人，2025b；Ma等人，2024b；Chen等人，2020，Chen等人，2021b）。尽管这些方法在各自的验证数据集上取得了不错的结果，但仍有一些关键问题尚未解决。首先，大多数研究所涉及的轴承故障模式过于简单，很少考虑故障严重程度或复合故障。实际上，故障严重程度会直接影响后续的维护和健康管理决策。其次，这些方法通常仅单独诊断轴承或齿轮，而不考虑对这两种部件的同时诊断。为了解决第一个问题，一些研究者已取得了一定进展。例如，Liu等人（2024a）和Yan等人（2024）在实验中考虑了轴承故障的严重程度，而Li等人（2024b）和Zhi等人（2025）则考虑了复合轴承故障。然而，这些研究仍未同时解决故障严重程度和复合故障的问题。至于第二个问题，有一些研究者已经在轴承和齿轮上都验证了他们的方法（Li等人，2024c，Li等人，2024d；Wang等人，2023；Yang等人，2025b；Zhang等人，2022；Zhang等人，2025；Zhou等人，2020；Lin等人，2024）。不过，他们的诊断过程是将轴承和齿轮分开处理的，没有考虑齿轮箱中轴承和齿轮同时发生故障时的协同诊断问题。虽然Ma等人（2024a）、Zhang等人（2021）、Dibaj等人（2021）以及Ou和Yu（2016）的研究考虑了涉及轴承和齿轮的复合故障，但他们所研究的故障类型仍然相对有限。相比之下，包括高速重载车辆在内的强非线性齿轮传动系统，其故障模式更为复杂且多变。要对这类系统进行有效的故障诊断，就必须同时全面考虑多种故障情况。从迁移学习方法的角度来看，Lei等人（2020）将基于迁移学习的故障诊断方法分为四类：基于特征的方法、基于生成对抗网络的方法、基于实例的方法以及基于参数的方法。其中，由于有效性高，基于特征的迁移学习在故障诊断中被广泛采用。这些方法的核心原理是通过在训练过程中逐步减小两个领域的高维特征之间的差异，来减轻跨领域分布差异，这一过程被称为领域适配（Long等人，2016）。围绕领域适配问题，众多学者进行了深入研究，并提出了多种方法，包括联合分布适配（Wu等人，2020）、多尺度深度类内适配（Wang等人，2020）、无监督领域适配（Ma等人，2023）、无监督多级融合领域适配（Lin等人，2025）、自适应流形部分领域适配（Qin等人，2023）、多对抗学习领域适配（Zhu等人，2023）、领域自适应学习模型（Chen等人，2021a）、领域自适应诊断模型（Li等人，2020）、可解释的领域适配变换器（Liu等人，2025）以及部分领域适配广义学习系统（Qin等人，2025）。上述领域适配方法通过减小分布差异，有效地实现了从源领域到目标领域的知识转移，尤其是在处理简单故障类别的场景中。然而，面对复杂的故障模式，尤其是那些包含相似故障模式的场景时，传统的领域适配方法容易产生模糊的决策边界，甚至出现误分类，如图1(a)所示。为了解决传统基于领域适配的诊断方法在处理强非线性齿轮传动系统复杂多变的故障模式时存在的性能限制，本研究提出了一种基于HR-PDA的创新型无监督迁移学习方法，用于这类系统的故障诊断，这类系统以高速重载车辆传动系统为代表。该方法与传统的多阶段分类不同，它首先分析所有故障类别，将相似的故障归类到具有统一标签的更广泛的类别中，从而能够在一般类别层面进行初步诊断，然后再精确识别每个类别中的具体故障类型。这种层次结构使其特别适合处理那些具有复杂故障模式且相似故障模式之间特征高度耦合的强非线性场景。此外，领域适配在特征提取和故障模式识别阶段分阶段进行，以便更有效地减小两个领域之间的分布差异，如图1(b)所示。本研究的主要创新点如下：1）提出了一种层次化识别策略，首先识别出一般的故障类别，然后再确定具体的故障类型。这种方法减少了在直接识别过程中类似故障类型之间的干扰，从而提高了诊断精度。2）引入了分阶段领域适配机制，在诊断过程的多个阶段进行领域适配。这种分阶段策略能更有效地纠正两个领域之间的分布差异。3）在模拟的高速重载车辆传动试验台上对所开发的HR-PDA方法进行了验证和应用，证明了其在诊断传动轴轴承和齿轮箱故障方面的有效性和优势。本文的结构如下：第2节介绍相关方法的理论基础。第3节阐述所开发的HR-PDA方法。第4节报告使用模拟的高速重载车辆传动试验台数据对HR-PDA方法进行的实验验证和应用情况。第5节讨论HR-PDA方法的有效性，并总结本项工作的关键贡献。问题描述对于迁移诊断而言，将迁移学习应用于故障诊断，可以有效解决新诊断场景中数据分布发生变化所带来的难题。诊断场景被定义为一个领域，记为Φ={Χ,P(X)}，其中X表示特征空间，P(X)则表示边际概率分布，也就是各故障类别之间的概率分布。标签空间被定义为Y={1,2,…,k}，代表不同的故障状态。具体来说，源领域Φs={Xs,Ps(X)}，Xs层次化识别的结构层次化识别的主要任务是根据故障测量指标对主要的故障类别进行分类。获取这些故障测量指标的过程如下：首先，从未处理的振动信号中去除直流分量：x(i)=x(i)?x￣，其中x￣表示信号的均值，计算公式为：x￣=1N∑i=1Nx(i)接着，对去除了直流分量的信号应用希尔伯特变换，以提取其包络线和相位信息：H[x(i)]=Hilbert{x(i)}解析信号实验验证与应用为了评估所设计方法在复杂故障模式下的迁移诊断效果，实验中使用了模拟试验台上传动轴轴承的故障数据。此外，为了进一步评估该方法在齿轮传动系统中的应用前景，还在不同的负载和转速条件下对齿轮箱进行了故障测试。收集了对应于不同健康状态的振动数据，并进行了迁移诊断实验。结论本文提出了一种基于HR-PDA的创新型无监督迁移学习方法，并将其应用于高速重载车辆传动系统等强非线性齿轮传动系统的故障检测。HR-PDA框架整合了一种层次化识别策略，通过分层的识别过程逐步识别故障模式。首先，根据故障测量指标确定主要的故障类别，而在后续阶段CRediT作者贡献声明王建康：概念构思、数据整理、研究调查、方法设计、软件开发、初稿撰写。牛明奎：资源提供。杨孔华：形式分析、资源提供、审稿与编辑。刘一斌：数据整理。王凯：资源提供。荣方川：软件开发。刘春宝：形式分析、资源提供、审稿与编辑。利益冲突声明提交本手稿时不存在任何利益冲突，所有作者均同意发表。我代表我的合著者声明，此处描述的工作是原创研究，尚未在任何地方发表，也未被其他机构考虑发表。所有列出的作者都已批准所附的手稿。致谢本研究得到了吉林省重点科技项目（20220201026GX）的支持。