李庆1, 2, 周公博1, 2, 周坪1, 2, 闫晓东1, 2, 韩链锋1, 2, 李强3, 马国庆1, 2
振动与冲击. 2025, 44(13): 296-308.
目前大多数域泛化学习方法的实现依赖多源域和有标签数据,然而,在轴承的复杂运行工况下,对机械进行完整的监测数据采集非常困难。针对不完备信息下的跨工况故障诊断任务,提出了一种基于多维信息协同神经网络(Multi-dimensional information collaborative neural network, MICNN)的轴承跨工况故障诊断方法。MICNN包括协同归一化策略(Collaborative normalization, CNM)和多维时空特征融合模块(Multi-dimensional spatiotemporal feature fusion module ,MSTFF)。CNM通过集群和样本个体两种维度上的特征统一和信息融合来减少协变量偏移和过拟合现象;MSTFF通过通道和空间维度上的关键特征捕捉和信息交互来增强域不变特征的提取。所提方法在PU数据集、江南大学数据集和实验室自建数据集的6个不同跨工况任务中平均准确率分别达到了98.74%、96.59%和93.81%,与现有主流的方法相比,所提方法具有更好的故障诊断效果。