重新审视运行条件在基于学习的多工况故障诊断中的作用

多工况故障诊断在工业系统中普遍存在，并对传统诊断方法提出了重大挑战。当在一种工况下训练的模型被应用于其他工况时，不同运行工况下数据分布的差异会降低模型性能。随着深度学习的最新进展，迁移学习作为一种解决多工况故障诊断的范式被引入到故障诊断领域。在这些方法中，领域泛化方法可以通过提取与工况无关的故障特征来处理复杂场景。尽管许多研究考虑了特定多工况场景下的故障诊断，但运行条件对故障信息的影响程度却鲜有研究，而这至关重要。然而，运行条件对故障信息的影响程度却鲜有研究，而这至关重要。当运行条件对故障特征有显著影响时，直接应用领域泛化方法可能导致模型学习到特定于工况的信息，从而降低其整体泛化能力。本文研究了现有端到端领域泛化方法在不同条件下的性能，特别是在变速和变负载场景下，使用真实世界齿轮箱进行了多次实验。此外，提出了一种两阶段诊断框架，旨在改善运行条件影响显著场景下的故障诊断性能。通过将领域泛化编码器与重训练策略相结合，该框架能够提取与工况无关的故障特征，同时缓解对源域的潜在过拟合。在真实世界齿轮箱数据集上进行了多项实验，以验证所提方法的有效性。