原文信息：
ZHONG Tao, QIN ChengJin*, SHI Gang, ZHANG ZhiNan, TAO JianFeng & LIU ChengLiang. A residual denoising and multiscale attention-based weighted domain adaptation network for tunnel boring machine main bearing fault diagnosis, 2024, 67(8): 2594–2618, https://doi.org/10.1007/s11431-024-2734-x
内容介绍
主轴承被称为掘进机“心脏”，其精确状态监测和故障诊断是保证TBM刀盘驱动安全高效的前提。在隧道掘进机强噪声和跨工况条件下，传统的信号分解和机器学习方法难以提取微弱的故障特征并实现较高的故障分类精度，泛化性能仍有较大提升空间。
针对TBM主轴承噪声和工况域自适应诊断问题，上海交通大学机械与动力工程学院刘成良教授和覃程锦副教授团队构建了融合残差去噪和多尺度注意力的加权域自适应模型(RDMA-WDAN)；在特征提取阶段，设计了残差去噪模块，去除与域自适应任务无关的噪声特征；建立了基于4分支卷积和3种池化策略的通道-空间注意力的多尺度注意力模块，提取多尺度特征并关注深层故障特征；在域自适应训练中，提出针对具有较多故障特征的源域样本的加权机制，优化深度特征提取器的跨域故障特征提取能力。该研究成果以题“A residual denoising and multiscale attention-based weighted domain adaptation network for tunnel boring machine main bearing fault diagnosis”发表在Science China Technological Sciences 2024年67卷第8期。
通过低速重载轴承实验台采集故障轴承在不同工况下的振动信号，根据不同噪声等级和工况将故障数据集分为源域样本和目标域样本。然后利用样本训练所设计的加权域自适应网络，网络包含4个主要部分：深度特征提取器、故障分类器、辅助域辨别器、域辨别器。经过加权域适应训练后，通过深度特征提取器和故障分类器得到目标域样本的分类标签。最后，通过对比实验验证所提方法相比于现有方法的优越性。所提TBM轴承故障诊断方法如图1所示，所设计的加权域自适应网络结构如图2所示。
试验结果表明，在18组噪声和工况域自适应任务中，所提方法实现了90%以上的目标域分类准确率，在-10 dB噪声条件下，所提方法的准确率比DenseNet、SE-ResNet、ANMSCNN、MSAMCNN、DANN和HWDA平均提高了44.629%、23.155%、43.222%、16.166%、5.485%和9.53%。因此，所提加权域自适应网络能够有效地诊断TBM轴承故障，具有优秀的抗噪性能和泛化性能。
图1 所提TBM轴承故障诊断方法
图2 所设计的加权域自适应网络RDMA-WDAN结构
图3 不同方法在任务7-12上的目标域诊断精度对比
