控制与决策

作者：王嘉铭,蔡浩原,柳雅倩,邓智瀚,陈骏彬

单位：中国科学院 空天信息创新研究院，北京 100190;中国科学院大学 电子电气与通信工程学院，北京 100049,,中国科学院 空天信息创新研究院，北京 100190,,中国科学院 空天信息创新研究院，北京 100190;中国科学院大学 电子电气与通信工程学院，北京 100049,,中国科学院 空天信息创新研究院，北京 100190;中国科学院大学 电子电气与通信工程学院，北京 100049,,中国科学院 空天信息创新研究院，北京 100190;中国科学院大学 电子电气与通信工程学院，北京 100049,

关键词：电机故障诊断;变工况;域对抗神经网络;Transformer;特征提取;深度学习

基金：国家重点研发计划项目(2023YFF0720200).

针对深度学习中标准训练集无法全面覆盖实际工况中的故障特征, 导致故障识别率急剧下降的问题, 提出一种融合一维卷积神经网络(1DCNN)和Transformer层的域对抗神经网络(DANN)迁移学习方法Transformer-DANN. 使用1DCNN和Transformer层, 改进特征提取器的提取特征的能力, 降低计算复杂度; 针对不同负载下故障数据特征不同的问题, 采用DANN方法对故障数据进行分类处理. 对所提出方法进行实验验证, 在电机变工况条件下, 平均识别率达到98.13%, 最大识别率为99.42%. 结果表明, 所提出方法能有效提高变工况条件下的电机故障识别准确率, 可以满足现实应用中设备故障诊断的任务需求.

来源：2025年第10期

《控制与决策》期刊编辑部

查看控制与决策杂志2025年第10期