本文刊登于Big Data Mining and Analytics（《大数据挖掘与分析（英文）》）。
背景介绍
近年来，智能故障诊断技术发展迅速。融合深度学习的振动信号分析方法在齿轮故障诊断中显示了优异的性能。然而，大多数模型仅在训练工况下表现良好，往往忽视振动信号的时序结构或未能充分应对不同工况（如转速、载荷等）引起的数据分布偏差。这种领域偏移问题导致诊断模型在跨工况场景中泛化能力下降，成为齿轮点蚀故障诊断面临的关键挑战。为提高诊断可靠性，需要研究能够提取与工况无关的特征的领域泛化方法。
成果简介
针对齿轮点蚀故障早期特征难以提取、领域差异显著导致模型泛化能力差等核心问题，本文提出了一种融合Transformer编码器与新型LinSoftmax分类函数的齿轮点蚀故障诊断新方法。整体结构如图1所示：
图 1 方法的整体框架
本方法首先将原始的振动信号通过短时傅里叶变换（STFT）转换为时频表示，有效保留了齿轮运转过程中的周期性特征。在此基础上，利用Transformer编码器中的多头自注意力机制，在频率维度上捕捉不同频带之间的依赖关系，从而提取出更加全面、细粒度的故障特征。相比传统仅依赖卷积或时域分析的方法，该方式能够更深层次地建模故障信号中的动态演化过程，为后续分类提供坚实基础。
在分类器结构方面，本文提出了一种新型的加权近似线性Softmax函数（LinSoftmax）。LinSoftmax通过引入一种近似线性的映射函数，有效缓解了传统Softmax中指数运算带来的模型过度自信问题。该函数在保持单调性的前提下，确保输出概率分布对大幅预测误差更敏感。特别地，进一步设计了基于类别距离的惩罚权重机制，使得预测偏离真实类别越远的样本，其损失权重越大，从而引导模型在训练过程中优先纠正严重错误，提升决策边界的判别性与稳定性。该机制在齿轮点蚀这种多等级、近邻类别间差异模糊的任务中尤为有效。
本研究主要由中国矿业大学与科大讯飞人工智能研究院联合完成，并在 PHM 2023挑战赛中荣获冠军。基于此工作，本文在方法和实现上进行了进一步创新与改进。基于PHM 2023挑战赛提供的齿轮点蚀数据集，本方法在不同工况下模型表现稳定，平均绝对误差（MAE）仅为0.11，分类准确率达到92.32%，在点蚀等级误差不超过1的情况下容错准确率高达98.02%。这些结果充分验证了所提方法在处理早期微弱故障信号、应对复杂工况变化等方面的有效性，也为面向实际工业场景的齿轮点蚀智能诊断提供了重要技术支撑。
课题组简介
文章来源
期刊简介
自创刊以来，Big Data Mining and Analytics得到业内专家、学者广泛关注。期刊2024年影响因子6.2，在所属的人工智能、信息系统领域均位居Q1区。根据爱思唯尔最新公布的CiteScore（引用分数），BDMA 2024年CiteScore为19.8，位列全球计算机领域前2%。2024年入选“中国科技期刊卓越行动计划”英文梯队期刊项目。
期刊主页：
投稿链接：
https://mc03.manucentral.com/bdma
