中国科学院南京天文光学技术研究所机构知识库

随着天文学的不断发展，天文观测对设备精度与稳定性的要求日益提高。大型天文望远镜作为高精度观测的核心装备，其传动系统中的旋转机械在实现精确指向与稳定跟踪过程中发挥着关键作用，其运行状态直接影响整机性能与观测质量。同时，大型望远镜通常在高山、沙漠、极地等环境下长期运行，这对传动系统的可靠性提出了更高要求。在这样的复杂条件下，传动系统易发生复合故障，而复合故障导致的特征重叠问题会增加故障诊断难度。当样本数量有限、信息不完备时，模型容易出现过拟合；同时，噪声干扰会进一步掩盖关键特征。这些因素综合作用，降低了故障诊断模型的性能。为此，本文结合深度学习方法，围绕有限样本与噪声环境下的复合故障诊断问题开展研究，主要内容如下：
(1) 复合故障物理机理分析：从机理层面对复合故障、小样本及噪声对信号特性的影响进行了系统分析。复合故障会引起特征频率的调制与耦合，导致频谱重叠甚至相互掩蔽；小样本问题会造成数据分布不完整，使深度学习模型易发生过拟合；强噪声环境则会在时域与频域中削弱甚至淹没故障特征。针对上述问题，分析了其对深度学习模型性能的影响机理。
(2) 针对上述挑战，提出了一种孪生梳状滤波网络 (Siamese Comb Filtering Network, SCFN)。该方法通过引入梳状滤波网络 (CF-Net) 增强特征提取能力，在突出故障特征频率成分的同时抑制无关信息；同时结合孪生神经网络 (Siamese neural network, Siamese Network) 与度量学习，在有限样本条件下构建判别性特征空间，提高样本相似性度量能力。此外，在网络各分支引入多元损失函数进行联合优化，从而引导模型学习更加判别性与鲁棒性的特征表示。
(3) 实验系统软硬件开发：基于QPZZ-II齿轮箱故障模拟实验平台，设计了不同严重程度齿轮故障；在此基础上，完成了传感器选型、数据采集设备选型及上位机软件开发，并综合考虑各模块之间的匹配关系与系统整体性能。最终基于LabVIEW设计实现了故障检测上位机软件设计，满足硬件参数配置、数据实时显示与数据存储等功能需求。成功的搭建了一套完整的故障诊断系统，实现了对实验系统的软硬件开发。
(4) 在实验室自建数据集和公开数据集上，对所提出的模型进行了对比实验研究。在实验室自建数据集中，通过设置有限样本数量和不同强度的噪声干扰，对模型的诊断性能进行了验证。实验结果表明，在10个样本、信噪比为40 dB的条件下，所提出方法的诊断平均准确率达到88.35%，相较于对比模型CF-Net、Siamese Network和卷积神经网络 (Convolutional Neural Network, CNN) 分别提升了1.3%、34.13%和48.88%。进一步地，在公开数据集上的实验结果显示，该方法的准确率依然高于其他方法，充分验证了模型的有效性，鲁棒性以及泛化能力。
综上所述，本文提出的孪生梳状滤波网络能够有效提升小样本及强噪声环境下复合故障诊断的准确性，相关研究成果可为大型天文望远镜传动系统的故障诊断提供有力的技术支撑。