非完备数据驱动的装备复合故障智能解耦方法

作     者：李巍华 蓝昊 陈祝云 黄如意 

作者机构：人工智能与数字经济广东省试验室(广州) 华南理工大学吴贤铭智能工程学院 华南理工大学机械与汽车工程学院 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2024年

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(52275111,52205100,52205101) 广东省基础与应用基础研究基金自然科学基金面上(2023A1515012856) 中国博士后科学基金(2022M711197)资助项目 

主　　题：复合故障故障诊断 非完备数据 小波核卷积 胶囊网络 可解释性分析 

摘      要：数据驱动的故障诊断方法在海量数据处理、判别特征学习和精确模式识别等方面具有显著优势，既为装备智能运维带来新的机遇，也面临着严峻的挑战：(1)当前数据驱动方法的可靠性与有效性依赖于完备的带标签故障数据。然而工业场景下，装备监测数据存在标签信息缺失、故障数据欠完备、数据可利用率低等问题。(2)复合故障是装备的典型故障。在缺乏复合故障数据的条件下，复合故障智能诊断的难度急剧增加，且鲜有针对复合故障智能诊断模型可解释性的研究。为应对上述挑战，提出一种非完备数据驱动的装备复合故障智能解耦方法。首先，结合小波核卷积层可从振动信号中提取可解释性特征的优势以及胶囊层在复合故障智能解耦方面的能力，构建小波胶囊网络；在此基础上，以非完备故障数据(仅含正常和单一故障样本,缺乏复合故障样本)为输入，训练所提小波胶囊网络；最后，以某车型汽车五档变速器为研究对象，验证所提方法在复合故障智能解耦方面的有效性和可靠性，并对小波胶囊网络模型所提取的特征展开可解释性分析，从而提高模型诊断结果的可信度。试验结果表明，所提方法取得了较高的诊断精度，其习得的特征具有一定的可解释性，可为非完备数据下装备的复合故障诊断提供新的途径。