20、基于热成像与迁移学习的转子 - 轴承系统智能故障诊断方法

基于热成像与迁移学习的转子 - 轴承系统智能故障诊断方法

1. 多传感器信息融合与超参数研究

在不同噪声环境下，对多传感器数据和单传感器数据（X、Y、Z 方向）的故障诊断效果进行了研究。在 C4 数据集上，当信噪比（SNR）为 0 dB 的强噪声环境下，多传感器数据以及 X、Y、Z 方向单传感器数据的平均准确率分别为 96.25%、88.99%、87.98% 和 79.49%；F 值分别为 96.95%、90.36%、89.27% 和 80.64%。在 C1 数据集上，受 SNR = 7 dB 噪声影响时，相应的平均准确率分别为 97.60%、86.66%、86.85% 和 78.77%；F 值分别为 97.80%、86.08%、86.73% 和 76.31%。

这表明在不同噪声环境下，所提出的方法能够有效融合多传感器信息，异常检测结果明显优于单传感器数据，降低了对传感器位置布置和选择的要求。

同时，还研究了故障检测与诊断（FDD）损失函数中超级参数 λ 的取值。为确保距离和角度差异都能发挥作用，均方误差（MSE）和余弦相似度（CS）损失值需处于同一数量级。根据数据准备和相关公式，选择 λ 值范围为 0.05 - 0.3。随着 λ 值的增加，各项评估指标会有一定波动，其中召回率的波动相对其他三个评估指标更为剧烈，这表明异常样本对 λ 值更为敏感；准确率和 F 分数先上升后下降。当 λ = 0.2 时，该方法在两个数据集上的准确率、召回率和 F 分数方面表现最优。

2. 智能故障诊断面临的挑战与解决方案

2.1 传统振动分析的局限性

目前，越来越多的智能故障诊断技术被应用于转子 - 轴承系统和其他工业设备的健康监测。然而，大多数现