使用串扰架构在部分标注条件下进行电机复合故障诊断的多输出分类

旋转机械日益增加的复杂性以及运行条件（如转速和扭矩变化）的多样性，放大了需要域适应的故障诊断场景中的挑战，特别是涉及复合故障的情况。本研究通过引入一种针对部分标注目标数据集中域适应的新型多输出分类（MOC）框架来解决这些挑战。与传统的多类分类（MCC）方法不同，MOC 框架同时对复合故障的严重程度进行分类。此外，我们探索了适用于 MOC 公式的各种单任务和多任务架构——包括共享主干和基于串扰的设计——用于部分标注条件下的复合故障诊断。基于此项研究，我们提出了一种新型串扰架构，即残差神经降维器（RNDR），它能够跨诊断任务进行选择性信息共享，有效增强复合故障场景中的分类性能。此外，还引入了频率层归一化以提高电机振动数据上的域适应性能。复合故障条件是使用基于电机的测试装置实现的，并在六种域适应场景下进行了评估。实验结果表明，与基线模型相比，其宏观 F1 性能更优。我们进一步通过单一故障比较表明，RNDR 的结构优势在复合故障设置中更为显著。我们还发现，频率层归一化比传统方法更适合故障诊断任务。最后，我们在各种条件下分析了 RNDR，与其他参数数量增加的模型进行了比较，并与消融的 RNDR 结构进行了对比。