基于GTCNs的航空发动机高速轴承智能故障诊断

doi:10.16450/j.cnki.issn.1004-6801.2026.01.010

首页 > 过刊浏览>2026年第46卷第1期 >70-76. DOI:10.16450/j.cnki.issn.1004-6801.2026.01.010

基于GTCNs的航空发动机高速轴承智能故障诊断
DOI:
                        10.16450/j.cnki.issn.1004-6801.2026.01.010
                    
CSTR:
                        
                    
作者:
                        
                        
                    
作者单位:1.南京理工大学机械工程学院 南京，210094;2.浙江大学流体动力与机电系统国家重点实验室 杭州，310027;3.东南大学机械工程学院 南京，211189;4.兰州理工大学机电工程学院 兰州，730050
作者简介:
通讯作者:姚建勇，男，1984年4月生，博士、教授。主要研究方向为电液伺服智能控制与容错诊断等。E-mail： jerryyao.buaa@gmail.com
中图分类号:TH212;V232
基金项目:国家自然科学基金资助项目（52205062）；江苏省自然科学基金资助项目（BK20220950）；国家重点研发计划资助项目（2021YFB2011300）；中央高校基本科研业务费专项资金资助项目（30922010701）；中国博士后科学基金资助项目（2022m711624）；流体动力与机电系统国家重点实验室开放基金资助项目（GZKF-202218）；国家市场监督管理总局重点实验室（高参数电梯智能运维）资助项目（JSTJ-IOMHL-202503）；智控实验室开放基金资助项目（ICL-2023-0305）；国防科技大学装备状态感知与敏捷保障全国重点实验室基金资助项目（6142003202415）；上海航天科技创新基金资助项目（SAST2024-055）；民用航天预研资助项目（D020110）

Author:

Affiliation:

Fund Project:

摘要

图/表

访问统计

参考文献

相似文献

引证文献

资源附件

文章评论

摘要:

针对高转速、高温升、大载荷等持续复杂的工况波动引起的航空发动机高速轴承故障诊断问题，提出了一种新型的深度图迁移学习算法，以及波动工况下基于图迁移卷积网络（graph transfer convolutional networks，简称GTCNs）的航空发动机高速轴承故障智能诊断方法。首先，利用阶比分析对波动工况下航空发动机高速轴承振动信号进行重采样，将其转化为阶次谱信号作为目标域与源域数据集；其次，采用训练好的一维图卷积网络（one-dimensional graph convolutional networks，简称1dGCNs）作为特征提取器，对其高层敏感特征计算其动态多核-最大均值散度（dynamic multiple kernel-maximum mean discrepancy，简称DMKMMD ）距离，同时匹配高层与低层特征的边缘分布差异；然后，将对齐后的特征输入到分类器softmax中进行智能故障诊断；最后，在航空发动机高速轴承故障数据上验证了所提方法的有效性与先进性。结果表明，该方法具有更高的诊断准确率与鲁棒性，可以消除大波动工况下健康状态样本分布的差异性，提高诊断可迁移性。

Abstract:

参考文献

相似文献

引证文献

引用本文

复制

文章指标

点击次数:
下载次数:
HTML阅读次数:
引用次数:

历史

收稿日期:2023-08-09
最后修改日期:2023-10-09
录用日期:
在线发布日期: 2026-02-28
出版日期:

引用本文

分享

相关视频

文章指标

历史

文章二维码