基于仿真数据辅助和领域自适应的齿轮箱故障诊断方法OA

针对工业齿轮箱故障诊断中因特定故障真实样本稀缺而导致的小样本、不平衡数据诊断难题,提出一种融合可解释动力学仿真与深度域适应学习的故障诊断方法。通过构建齿轮箱刚柔耦合动力学模型,生成具有明确物理含义的高保真振动仿真数据,验证故障模式与振动响应间的机理关联,以有效补充稀缺故障样本。为进一步提升跨域诊断能力,提出多头自注意力机制与深度可分离卷积融合的特征提取网络,以增强对振动信号中瞬态冲击特征的感知能力;设计改进的T-Softmax损失函数,通过在特征空间引入可学习边际,约束多数类分布扩散并增强少数类表征凝聚力,以实现精确识别多数正常样本与稀少故障样本;提出基于贝叶斯推断的联合分布自适应策略,精准对齐仿真与实测数据的边缘及条件分布,以显著缓解模型简化与噪声干扰导致的复杂域偏移问题。实验结果表明,该方法在单一故障样本数为30、与正常样本比例为1∶10的条件下,平均诊断准确率仍可达98.12%,性能接近数据完备场景;其在公开数据集上的平均准确率亦超过95%,充分验证了其鲁棒性与卓越的泛化能力。