仪器仪表学报

作者：楚晓艳，刘星，苗强

单位：楚晓艳,西南交通大学信息科学与技术学院成都610031,,刘星,西南交通大学信息科学与技术学院成都610031,,苗强,四川大学电气工程学院成都610065,mqiang@scu.edu.cn,

关键词：域对抗;残差网络;迁移学习;转向架;故障诊断

基金：中央基础研究培育支持计划理科培育专项（XJ2024001901）项目资助

轨道列车转向架系统是确保列车运行安全的关键子系统之一，转向架受线路、时间段、气候条件影响较大，工况复杂多变，特定工况故障标签数据少。传统深度学习故障诊断方法通常依赖于大规模标注数据，且模型在跨域任务中的泛化能力较差；现有的转向架迁移学习诊断方法普遍缺乏对源域内部特征分布的有效对齐，增加了负迁移风险，限制了模型的迁移性能。为缓解上述问题，故创新地提出了一种多域对抗迁移的轨道列车转向架故障诊断方法，实现了轨道列车转向架多工况故障特征对齐，提升了跨工况下的故障诊断性能。首先，在包含多工况的源域上进行预训练，预训练过程中使用域对抗融合方法对齐各工况特征，完成多工况通用特征学习；随后，将预训练模型进行部分冻结，并分别在20%和5%目标域数据上微调，完成目标任务适应；在测试集上对微调完成模型进行测试，分别取得98.48%、93.00%平均分类召回率，0.13%、0.58%平均分类误报率，召回率、误报率、精确率、F1分数各指标平均值与最差值均高于对比方法。实验表明，所提方法仅基于易获取的电机三相电流和转速数据，对动力传动链级联部件的故障诊断准确率更高，尤其在易混淆故障类型上表现更优；在目标域数据极少时，仍可有效利用源域不同工况数据提升诊断准确率。

来源：2025年第6期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第6期