摘要
液压泵作为液压系统的核心元件，为系统提供动力，其健康状态会直接影响整个系统的正常运行。若其发生故障，轻则导致设备停机、影响生产效率，重则将造成严重的经济损失甚至人员伤亡。因此，对液压泵进行实时状态监测和早期故障诊断具有重要意义。然而，液压泵的工作环境恶劣且工况复杂多变，不同工况下的数据存在分布差异，对于仅拥有少量甚至没有标签故障样本的工况，传统的基于数据驱动的故障诊断方法难以取得理想的效果。 迁移学习作为近年来机器学习领域中发展起来的一种新范式，旨在泛化不同领域或任务的共性，并在相似的领域之间进行知识迁移，使传统的从零开始的学习变成可积累的学习，提高历史数据的重用性，为解决上述问题提供了新思路。 本文基于迁移学习相关理论与方法，结合深度学习和多传感器信息融合等前沿技术，针对轴向柱塞泵的小样本故障诊断任务和变工况故障诊断任务进行了深入研究，主要包括以下四个方面： （1）针对轴向柱塞泵故障诊断中仅有少量训练样本的情况，提出了一种基于模型迁移策略的小样本故障诊断方法。为了实现端到端的故障诊断，基于一维卷积神经网络并结合通道域注意力机制进行模型的构建。然后采用模型迁移策略，将从源域大量标签样本中学习的结构知识迁移到目标域的诊断任务中。试验结果表明，所提方法能够有效改善小样本故障诊断中的过拟合问题，提升模型性能。 （2）针对轴向柱塞泵变工况故障诊断中目标工况完全没有标签样本的情况，提出了一种改进深度子域自适应网络。该网络采用局部最大均值差异作为源域和目标域的分布差异度量进行领域的适配。同时，引入标签平滑技术和熵最小化原则提高分类器对目标域样本的适应能力。试验结果表明，与现有的多种基于统计矩匹配的迁移学习方法相比，所提方法拥有更高的诊断精度，更快的收敛速度和更好的抗噪能力。 （3）尝试通过基于对抗学习的深度领域自适应方法完成源域到目标域的知识迁移，提出了一种对抗迁移自适应网络。该网络利用多个局部域鉴别器进行对抗训练，以对齐源域和目标域中相关子域的分布，实现细粒度的领域适配；同时，通过逐步自适应特征范数方法在训练过程中逐渐增大样本的特征范数，提高深层特征的可判别性。将所提方法应用到轴向柱塞泵的变工况故障诊断试验中，与现有的多种对抗迁移学习方法相比，取得了更好的效果。 （4）为了进一步提高变工况故障诊断的准确性和可靠度，结合多传感器信息融合技术，提出了耦合对抗迁移自适应网络。具体地，将对抗迁移自适应网络作为主网络，并在此基础上额外构建一个辅助网络，使用主网络在目标域样本上的预测概率作为目标域辅助数据的标签对辅助网络进行训练，并将两个网络的输出预测进行加权融合作为最终的诊断结果。在轴向柱塞泵故障数据上进行了试验，结果表明，所提方法能够大幅提高变工况下的故障诊断精度。
NETL