基于跨域梯度协同优化的齿轮箱故障诊断OA

针对齿轮箱在复杂多变工况下源域与目标域数据分布显著偏移,导致故障诊断模型跨域泛化能力不足的问题,提出一种基于跨域梯度协同优化的齿轮箱故障诊断方法。首先,构建多尺度注意力聚合(Multi-Scale Attention Aggregation,MSAA)网络,在通道与时序维度融合不同尺度的深层特征,以增强领域不变特征的表征能力;其次,引入双分类器结构,通过Softmax加权聚类生成更为可靠的目标域伪标签,为无标签样本提供判别性监督信息;随后,将伪标签引入跨域梯度协同优化机制中,以源域与目标域样本在共享分类器层梯度方向的相似性作为一致性约束,有效缩小域间特征分布差异并保持类间可分性;最终,通过联合监督损失、自监督损失与梯度一致性损失,实现特征提取器与域对齐,从而显著提升目标域故障识别性能。实验结果表明,所提方法在多种跨工况任务中均取得较高的诊断精度,验证了其在复杂工况条件下的有效性与泛化能力。