关键词：智能诊断;深度学习;因果表示;域泛化
摘 要：针对设备工况变化导致基于深度学习（deep learning，简称DL）的故障诊断性能退化的问题，提出采用因果表示网络（causalrepresentationnet，简称CRNet）用于在变工况下实现高性能故障诊断，即域泛化（domain generalization，简称DG）故障诊断。首先，假设DG的结构因果模型，并基于此模型和独立因果机制（independent causal model，简称ICM）原理，得到因果驱动的诊断需求来消除特征间的关联；其次，利用随机傅里叶特征（random Fourier features，简称RFF）将模型提取的特征映射到高维空间，再利用高维空间中的特征构造衡量特征间关联的协方差矩阵，以矩阵非对角值为目标，学习一组权重对样本加权，消除特征间的广义关联；最后，以梯度为引导，屏蔽部分高梯度特征，增强特征包含的诊断信息。锥齿轮传动实验台的实验结果表明，CRNet具备最优的DG性能。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取