来源：期刊VIP网 时间：
作者：雷少华;卓帅;徐鸿洋;李冲;汤争争;董飞;俞啸;
单位：徐州高新区安全应急装备产业技术研究院;中国矿业大学物联网(感知矿山)研究中心;
摘要：针对矿井提升机轴承、齿轮箱等关键部件在复杂工况下样本标签缺失导致的诊断性能下降问题，提出一种基于多尺度特征迁移学习的提升机关键部件故障诊断技术，构建了基于多尺度时频特征提取和域对抗网络的轻量化故障诊断模型（DAMSF-LFDM）。提出一种蛇形小波系数矩阵组（SWCMs）表示方法，结合小波包变换、分段聚合逼近与蛇形重组构建多尺度时频特征矩阵，充分捕捉振动信号不同频率段的内部关联特征。提出多尺度残差幽灵卷积块（MRGCB），采用多个并行卷积层，能够在不同尺度上有效提取输入数据的深度特征，增强模型对多尺度信息的提取能力。为了提取SWCMs中的个性化故障特征并进行自适应融合，提出融合多尺度故障特征提取模块（FMFFEM），采用相加方式进行特征融合，并引入特征权重自适应分配机制，完成不同频率段特征的融合提取。结合多层最大平均值差异损失与域对抗机制，建立了基于域对抗机制的深度迁移诊断网络，提升了模型的跨工况适应能力。实验结果表明，DAMSF-LFDM模型整体性能显著优于对比模型，在不同迁移任务下故障诊断准确率均最高，在SEU数据集和MFS-RDS数据集上的跨工况平均准确率分别为98.67%和99.80%。
关键词：提升机;;故障诊断;;多尺度时频特征提取;;域对抗网络;;深度迁移学习;;蛇形小波系数矩阵组
基金资助：国家自然科学基金项目(52304181);; 江苏省自然科学基金项目(BK20231060)
