基于图域泛化的直升机尾传动系统故障诊断方法

doi:10.7527/S1000-6893.2025.32642

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于图域泛化的直升机尾传动系统故障诊断方法

陈国旺¹^,², 唐倩¹(), 何刘¹

^1. 重庆大学机械与运载工程学院，重庆 400044
^2. 长江师范学院机器人工程学院，重庆 408100

收稿日期:2025-07-31 修回日期:2025-10-09 接受日期:2025-12-25 出版日期:2025-12-31 发布日期:2025-12-29
通讯作者: 唐倩
基金资助:
国家自然科学基金(52335006); 国家自然科学基金(52275518); 重庆市自然科学基金(CSTB2023NSCQ-LZX0137)

Fault diagnosis method of helicopter tail transmission systems based on graph domain generalization

Guowang CHEN¹^,², Qian TANG¹(), Liu HE¹

^1. College of Mechanical and Vehicle Engineering，Chongqing University，Chongqing 400044，China
^2. School of Robotics Engineering，Yangtze Normal University，Chongqing 408100，China

Received:2025-07-31 Revised:2025-10-09 Accepted:2025-12-25 Online:2025-12-31 Published:2025-12-29
Contact: Qian TANG
Supported by:
National Natural Science Foundation of China(52335006); Chongqing Natural Science Foundation(CSTB2023NSCQ-LZX0137)

摘要/Abstract

摘要：

针对直升机尾传动系统高精度故障数据难获取和传统迁移学习对未知故障的知识泛化不足问题，提出了用于直升机尾传动系统的自适应权重多级融合图域泛化（AMFGDG）故障诊断框架。首先，结合集中质量法与有限元法，生成直升机尾传动系统不同健康状态下的多节点振动数据，并用实验验证了该方法的有效性。基于所生成数据方法构建多源域的带有限元节点的图样本，同时以不同传感器的测试数据作为目标域的图样本。然后，采用自注意力机制完成图网络边权重自适应更新，实现节点间影响强度精准表征。引入混合专家门控策略完成跨图层级的信息融合，缓解多层图网络堆叠导致的过平滑现象。最后，结合分类损失、深度聚类损失及局部分布对齐损失实现诊断模型更新，完成故障诊断分类。基于直升机尾传动实验台私有数据集和西储大学轴承公开数据集的诊断结果对比和消融实验，验证了提出方法具有低数据依赖性和高泛化能力，诊断精度高达95.4%。

关键词: 故障诊断, 直升机尾传动系统, 图卷积网络, 域泛化, 动力学建模

Abstract:

To address the challenges of limited access to high-quality fault data and the poor generalization performance of traditional transfer learning methods on unseen fault types， this paper proposes an Adaptive-weight Multi-level Fusion Graph Domain Generalization （AMFGDG） framework for fault diagnosis of helicopter tail transmission systems. Specifically， multi-node vibration signals under various health conditions are generated by integrating the concentrated mass method with the finite element method， and their validity is experimentally verified. Graph-structured samples with finite element nodes are constructed from the generated data for multiple source domains， while test data from different sensors are formulated as target domain graphs. A self-attention mechanism is employed to adaptively update edge weights， enabling precise modeling of inter-node influence. Additionally， a mixture-of-experts gating strategy is introduced to fuse information across graph layers and mitigate the over-smoothing effect in deep GNNs. The model is optimized via a joint loss function combining classification loss， deep clustering loss， and local distribution alignment loss. Diagnostic results and ablation studies on a private helicopter tail transmission test bench dataset and the public Case Western Reserve University （CWRU） bearing dataset demonstrate the proposed method’s low data dependency and strong generalization capability， achieving an accuracy of up to 95.4%.

Key words: fault diagnosis, helicopter tail transmission system, graph convolutional networks, domain generalization, dynamic modeling

中图分类号:

V267

陈国旺, 唐倩, 何刘. 基于图域泛化的直升机尾传动系统故障诊断方法[J]. 航空学报, 2026, 47(7): 232642.

Guowang CHEN, Qian TANG, Liu HE. Fault diagnosis method of helicopter tail transmission systems based on graph domain generalization[J]. Acta Aeronautica et Astronautica Sinica, 2026, 47(7): 232642.

图/表 21

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

表1

表2

表3

图 11

图 12

图 13

图 14

表4

图 15

图 16

图 17

参考文献 43

[1]	ZHANG C， ZHU R P， CHEN W F， et al. Dynamic modeling and analysis of the supercritical tail drive system of a helicopter considering the mounting platform deformation［J］. Nonlinear Dynamics， 2024， 112（11）： 9063-9094.
[2]	ELASHA F， GREAVES M， MBA D. Planetary bearing defect detection in a commercial helicopter main gearbox with vibration and acoustic emission［J］. Structural Health Monitoring， 2018， 17（5）： 1192-1212.
[3]	ZHOU L， DUAN F， MBA D， et al. Using frequency domain analysis techniques for diagnosis of planetary bearing defect in a CH-46E helicopter aft gearbox［J］. Engineering Failure Analysis， 2018， 92： 71-83.
[4]	SAWALHI N， WANG W Y， BLUNT D. Helicopter planet gear rim crack diagnosis and trending using cepstrum editing enhanced with deconvolution［J］. Sensors， 2024， 24（8）： 2593.
[5]	张新，赵艺珂，王家序，等. 基于最大平均峭度盲解卷积的直升机故障诊断［J］. 振动、测试与诊断， 2024， 44（3）： 480-485， 617.
	ZHANG X， ZHAO Y K， WANG J X， et al. Helicopter fault diagnosis by blind deconvolution based on average kurtosis maximization［J］. Journal of Vibration， Measurement & Diagnosis， 2024， 44（3）： 480-485， 617 （in Chinese）.
[6]	KONG Y， QIN Z Y， WANG T Y， et al. Data-driven dictionary design-based sparse classification method for intelligent fault diagnosis of planet bearings［J］. Structural Health Monitoring， 2022， 21（4）： 1313-1328.
[7]	谢习华，徐雷，谭耀，等. 基于PSO-GRNN的直升机旋翼不平衡故障诊断［J］. 噪声与振动控制， 2015， 35（2）： 175-179.
	XIE X H， XU L， TAN Y， et al. Fault diagnosis of helicopter rotor’s unbalance based on PSO-GRNN algorithms［J］. Noise and Vibration Control， 2015， 35（2）： 175-179 （in Chinese）.
[8]	LI T F， ZHAO Z B， SUN C， et al. Adaptive channel weighted CNN with multisensor fusion for condition monitoring of helicopter transmission system［J］. IEEE Sensors Journal， 2020， 20（15）： 8364-8373.
[9]	SUN K C， YIN A J. Multisensor graph adaptive federated generalization for helicopter transmission system fault diagnosis［J］. IEEE Transactions on Instrumentation and Measurement， 2024， 73： 3524511.
[10]	余志锋，熊邦书，熊天旸，等. 基于VMD-CWT和改进CNN的直升机轴承故障诊断［J］. 航空动力学报， 2021， 36（5）： 948-958.
	YU Z F， XIONG B S， XIONG T Y， et al. Helicopter bearing fault diagnosis based on VMD-CWT and improved CNN［J］. Journal of Aerospace Power， 2021， 36（5）： 948-958 （in Chinese）.
[11]	李恒，唐倩，陈国旺，等. 数字孪生辅助的直升机尾传动系统轴承与传动轴故障诊断［J］. 航空动力学报， 2025， 40（6）： 20230818.
	LI H， TANG Q， CHEN G W， et al. Diagnosis of bearing and drive shaft faults in helicopter tail drive systems assisted by digital twin［J］. Journal of Aerospace Power， 2025， 40（6）： 20230818 （in Chinese）.
[12]	LI W， ZHONG X， SHAO H D， et al. Multi-mode data augmentation and fault diagnosis of rotating machinery using modified ACGAN designed with new framework［J］. Advanced Engineering Informatics， 2022， 52： 101552.
[13]	GUO Y， LI X Y， ZHANG J D， et al. SDCGAN： A CycleGAN-based single-domain generalization method for mechanical fault diagnosis［J］. Reliability Engineering & System Safety， 2025， 258： 110854.
[14]	LI X， ZHANG W， MA H， et al. Domain generalization in rotating machinery fault diagnostics using deep neural networks［J］. Neurocomputing， 2020， 403： 409-420.
[15]	FAN Z H， XU Q F， JIANG C X， et al. Deep mixed domain generalization network for intelligent fault diagnosis under unseen conditions［J］. IEEE Transactions on Industrial Electronics， 2024， 71（1）： 965-974.
[16]	ZHAO C， SHEN W M. A domain generalization network combing invariance and specificity towards real-time intelligent fault diagnosis［J］. Mechanical Systems and Signal Processing， 2022， 173： 108990.
[17]	SHI Y W， DENG A D， DENG M Q， et al. Domain transferability-based deep domain generalization method towards actual fault diagnosis scenarios［J］. IEEE Transactions on Industrial Informatics， 2023， 19（6）： 7355-7366.
[18]	JIA L S， CHOW T W S， YUAN Y X. Causal disentanglement domain generalization for time-series signal fault diagnosis［J］. Neural Networks， 2024， 172： 106099.
[19]	LI T F， ZHOU Z， LI S N， et al. The emerging graph neural networks for intelligent fault diagnostics and prognostics： A guideline and a benchmark study［J］. Mechanical Systems and Signal Processing， 2022， 168： 108653.
[20]	CHEN H， WANG X B， YANG Z X. Semi-supervised self-correcting graph neural network for intelligent fault diagnosis of rotating machinery［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 3536611.
[21]	YIN P Z， NIE J， LIANG X Y， et al. A multiscale graph convolutional neural network framework for fault diagnosis of rolling bearing［J］. IEEE Transactions on Instrumentation and Measurement， 2023， 72： 2520713.
[22]	WANG H， WANG J W， ZHAO Y K， et al. Few-shot learning for fault diagnosis with a dual graph neural network［J］. IEEE Transactions on Industrial Informatics， 2023， 19（2）： 1559-1568.
[23]	WANG Z， WU Z Y， LI X Q， et al. Attention-aware temporal-spatial graph neural network with multi-sensor information fusion for fault diagnosis［J］. Knowledge-Based Systems， 2023， 278： 110891.
[24]	LIU R N， ZHANG Q H， LIN D， et al. Causal intervention graph neural network for fault diagnosis of complex industrial processes［J］. Reliability Engineering & System Safety， 2024， 251： 110328.
[25]	LIU Z， PENG Z R. Few-shot bearing fault diagnosis by semi-supervised meta-learning with graph convolutional neural network under variable working conditions［J］. Measurement， 2025， 240： 115402.
[26]	LI C Y， MO L F， KWOH C K， et al. Noise-robust multi-view graph neural network for fault diagnosis of rotating machinery［J］. Mechanical Systems and Signal Processing， 2025， 224： 112025.
[27]	李晖，陈银超，孙绍山，等. 基于联邦图网络的转子系统故障诊断方法［J］. 航空学报， 2024， 45（17）： 530611.
	LI H， CHEN Y C， SUN S S， et al. Fault diagnosis method of rotor system based on federated graph network［J］. Acta Aeronautica et Astronautica Sinica， 2024， 45（17）： 530611 （in Chinese）.
[28]	QIN Y， LIU H Y， WANG Y， et al. Inverse physics-informed neural networks for digital twin-based bearing fault diagnosis under imbalanced samples［J］. Knowledge-Based Systems， 2024， 292： 111641.
[29]	YU Y N， TANG L H， LIU Z P， et al. A novel bearing fault data generation strategy combining physical modeling and CycleGAN variant for fault diagnosis without real samples［J］. IEEE Transactions on Instrumentation and Measurement， 2025， 74： 3505717.
[30]	MING Z， TANG B P， DENG L， et al. Digital twin-assisted fault diagnosis framework for rolling bearings under imbalanced data［J］. Applied Soft Computing， 2025， 168： 112528.
[31]	张锐奇，孙弋，于耀翔，等. 数模联合驱动的动态对抗自适应轴承故障诊断方法［J］. 振动与冲击， 2023， 42（12）： 256-263， 282.
	ZHANG R Q， SUN Y， YU Y X， et al. A new simulation-data driven dynamic adversarial adaptive fault diagnosis method for bearings［J］. Journal of Vibration and Shock， 2023， 42（12）： 256-263， 282 （in Chinese）.
[32]	于树博，刘占生，赵辰. 动力学仿真数据驱动的域自适应智能诊断方法［J］. 中国机械工程， 2023， 34（23）： 2832-2841.
	YU S B， LIU Z S， ZHAO C. Dynamics simulation data driven domain adaptive intelligent fault diagnosis［J］. China Mechanical Engineering， 2023， 34（23）： 2832-2841 （in Chinese）.
[33]	XU W H， WANG H， JIN J B， et al. Dynamic model-based intelligent fault diagnosis method for fault detection in a rod fastening rotor［J］. Engineering Applications of Artificial Intelligence， 2025， 139： 109499.
[34]	张龙，张号，王朝兵，等. 显式动力学驱动的轴承变工况故障诊断方法［J］. 中国机械工程， 2023， 34（8）： 982-992.
	ZHANG L， ZHANG H， WANG C B， et al. Explicit dynamics driving fault diagnosis method for bearing variable conditions［J］. China Mechanical Engineering， 2023， 34（8）： 982-992 （in Chinese）.
[35]	WANG H， WANG S H， YANG R G， et al. A numerical simulation enhanced multi-task integrated learning network for fault detection in rotation vector reducers［J］. Mechanical Systems and Signal Processing， 2024， 217： 111525.
[36]	肖刚，顾海瑞，董锦锦，等. 仿真数据驱动的长期服役电梯导轨故障迁移诊断方法［J］. 中国机械工程， 2024， 35（1）： 125-135.
	XIAO G， GU H R， DONG J J， et al. Simulation data-driven migration diagnosis method for guide rail faults in long-term service elevators［J］. China Mechanical Engineering， 2024， 35（1）： 125-135 （in Chinese）.
[37]	ZHU Y C， ZHUANG F Z， WANG J D， et al. Deep subdomain adaptation network for image classification［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 32（4）： 1713-1722.
[38]	CARON M， BOJANOWSKI P， JOULIN A， et al. Deep clustering for unsupervised learning of visual features［C］∥Proceedings of the European Conference on Computer Vision （ECCV）. 2018： 132-149.
[39]	Smith W， Robert R. Rolling element bearing diagnostics using the Case Western Reserve University data： A benchmark study［J］. Mechanical Systems and Signal Processing， 2015， 64： 100-131.
[40]	LI H L， PAN S J， WANG S Q， et al. Domain generalization with adversarial feature learning［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE Press， 2018： 5400-5409.
[41]	SUN B C， SAENKO K. Deep CORAL： Correlation alignment for deep domain adaptation［C］∥Computer Vision-ECCV 2016 Workshops. Cham： Springer， 2016： 443-450.
[42]	YANG Y T， YIN J C， ZHENG H L， et al. Learn generalization feature via convolutional neural network： A fault diagnosis scheme toward unseen operating conditions［J］. IEEE Access， 2020， 8： 91103-91115.
[43]	RAGAB M， CHEN Z H， ZHANG W Y， et al. Conditional contrastive domain generalization for fault diagnosis［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： 3506912.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

数据集名称	数据集简称	故障全称	故障简称	转速-负载
重庆大学直升机数据集	数据集A	健康	HY	1 000 r/min-0（N·m） 1 000 r/min-20（N·m） 3 000 r/min-0（N·m） 3 000 r/min-20（N·m）
		轴承外圈轻度裂纹	OLC
		轴承外圈重度裂纹	OHC
		轴承内圈轻度裂纹	ILC
		轴承内圈轻度磨损	ILW
		轴承内圈重度磨损	IHW
		空心轴裂纹	HSC
		外花键磨损	ESW
		联轴器裂纹	CC
西储大学轴承数据集	数据集B	健康	HY	1 797 r/min-0（HP） 1 772 r/min-1（HP） 1 750 r/min-2（HP） 1 730 r/min-3（HP）
		轴承内圈轻度故障	ILF
		轴承内圈中度故障	IMF
		轴承内圈重度故障	IHF
		轴承外圈轻度故障	OLF
		轴承外圈中度故障	OMF
		轴承外圈重度故障	OHF
		轴承滚珠轻度故障	BLF
		轴承滚珠中度故障	BMF
		轴承滚珠度故障	BHF

数据集	泛化任务	源域（仿真域）工况	目标域（测试域）工况	源域（仿真域）标签	目标域（测试域）标签
重庆大学数据集	T1	1 000-20， 3 000-0， 3 000-20	1 000-0	2，3，4	1
	T2	1 000-0， 3 000-0， 3 000-20	1 000-20	1，3，4	2
	T3	1 000-0， 1 000-20， 3 000-20	3 000-0	1，2，4	3
	T4	1 000-0， 1 000-20， 3 000-0	3 000-20	1，2，3	4
西储大学数据集	T1	1 797-0， 1 772-1， 1 750-2	1 730-3	2，3，4	1
	T2	1 797-0， 1 772-1， 1 730-3	1 750-2	1，3，4	2
	T3	1 797-0， 1 750-2， 1 730-3	1 772-1	1，2，4	3
	T4	1 772-1， 1 750-2， 1 730-3	1 797-0	1，2，3	4

数据集名称	泛化任务	目标域精度/%
数据集名称	泛化任务	DANN	DCORAL	CNN-C	CCDG	AMFGDG
数据集A	T1	66.92	58.75	67.72	67.28	71.9
	T2	60.16	60.36	66.85	69.78	70.65
	T3	74.70	73.51	74.78	73.49	81.87
	T4	84.27	75.20	82.56	83.85	95.40
数据集B	T1	50.54	71.11	77.62	75.62	86.32
	T2	55.52	70.43	69.86	70.04	82.59
	T3	56.82	66.34	67.50	67.77	90.18
	T4	56.71	64.52	74.86	73.66	88.25

基于图域泛化的直升机尾传动系统故障诊断方法

Fault diagnosis method of helicopter tail transmission systems based on graph domain generalization

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 21

参考文献 43

相关文章 15

编辑推荐

Metrics

本文评价

[1]	韩亮, 贺小帆. 基于诊断与预测的金属搭接结构动态风险评估[J]. 航空学报, 2026, 47(7): 232500-232500.
[2]	彭朝琴, 李奇聪, 张海尼, 吴红, 马云鹏. 基于GRU和卷积注意力的改进ACGAN故障诊断方法[J]. 航空学报, 2026, 47(2): 431929-431929.
[3]	寇容海, 李文博, 党庆庆, 谢进进. 数据与模型驱动的航天器姿态控制系统故障诊断[J]. 航空学报, 2025, 46(S1): 732259-732259.
[4]	丁希仑, 陈一同, 王成才, 徐坤. 空间机器人操作技术研究现状与展望[J]. 航空学报, 2025, 46(6): 531556-531556.
[5]	金栋平, 丁鼎峰, 伍霖, 文浩, 张晓彤, 孙加亮. 堆叠式卫星系统分离动力学关键技术与展望[J]. 航空学报, 2025, 46(5): 531342-531342.
[6]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[7]	严国乘, 王宏伦, 王延祥, 伦岳斌, 朱俊帆. 无人机拖曳式空中回收机翼折叠过程预设性能抗摆动控制[J]. 航空学报, 2025, 46(24): 331840-331840.
[8]	杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427-131427.
[9]	王海涛, 雷江利, 荣伟. 柔性气动减速技术专栏群伞减速系统刚柔耦合动力学建模与分析[J]. 航空学报, 2025, 46(1): 630750-630750.
[10]	胡明辉, 高金吉, 江志农, 王维民, 邹利民, 周涛, 凡云峰, 王越, 冯家欣, 李晨阳. 航空发动机振动监测与故障诊断技术研究进展[J]. 航空学报, 2024, 45(4): 630194-630194.
[11]	黄湛钧, 董鑫, 卢沐宇, 张瑞涛, 闫钊阳, 张安. 基于DRSN与电压幅值分析的航空HVDC系统逆变器故障诊断[J]. 航空学报, 2024, 45(3): 328685-328685.
[12]	崔江, 周凡, 陈永凡, 于立, 张卓然. 一种基于GAMF-CNN的航空发电机整流器故障诊断技术[J]. 航空学报, 2024, 45(24): 330398-330398.
[13]	辛宏博, 陈清阳, 王鹏, 王玉杰, 侯中喜. 滑跑三维动力学建模与纠偏控制约束分析[J]. 航空学报, 2024, 45(21): 230154-230154.
[14]	胡明辉, 刘少朋, 王浩, 李晨阳, 王维民, 江志农. 基于宽频振动的燃气轮机叶片断裂故障识别特征与辨识方法[J]. 航空学报, 2024, 45(20): 230098-230098.
[15]	李天晴, 王维民, 张旭龙, 王树慧, 付振宇. 基于叶尖定时的转子叶片轴向位移辨识方法[J]. 航空学报, 2024, 45(2): 228682-228682.