01 论文导读
02 主要创新点
本研究的主要改进有两个方面:
(1)创建了一个精心设计的轴承数字孪生模型。该模型包含了轴承运行参数的多尺度动力学模拟，并完全依赖于轴承的建筑属性和故障的大小来推断振动系统的反应。
(2)建立了基于判别图学习策略的领域自适应框架，促进了已知智能从模拟信号向真实信号的迁移。该框架能够在知识有限的情况下实现有效的故障识别。
03 主要图文结果
图1 5-DOF nonlinear dynamic representation of bearings.
图2 局部故障图解:(a)外圈缺陷，(b)内圈缺陷，(c)滚珠缺陷
图3 基于dt - dgln的轴承跨域健康监测框架
图4 判别图学习网络的体系结构
图5 多注意力模块
图6 实验平台
表1 7种工况下五种算法的实验结果
图7 任务一中五种方法的实验结果
图9 任务二中五种方法的实验结果
图10 任务三中五种方法的实验结果
04 研究总结
在旋转机械的整个使用寿命中，滚动轴承故障的发生是一个反复出现的挑战。这类故障通常会导致不可预见的经济后果，在严重的情况下，甚至会导致灾难性的事故。因此，滚动轴承故障的实时诊断在工业应用领域具有至关重要的意义。本文介绍了一种以数字孪生概念为基础的创新方法，旨在将智能赋予滚动轴承故障诊断过程。所提出的方法利用精确的数字孪生模型来揭示滚动轴承在不同运行条件下随时间的响应行为。随后，基于图学习策略的领域自适应网络被精心设计，以促进知识从模拟信号到真实信号的转移。最终目的是实现轴承故障检测，即使面对有限的先验知识。这种开创性方法的有效性通过大量的实验得到了严格的验证。预计所开发的方法具有在更广泛的工业领域应用的潜力。
鉴于轴承缺陷理论的复杂性以及在实际工业环境中观察到的大量潜在缺陷类型，未来的研究工作应优先考虑对其他故障模型的深入探索和研究。此外，在未来的研究工作中，发现和识别目标域内的未知故障类型值得关注。
