《Sensors》:Rolling Bearing Fault Diagnosis Based on CKEPM Encoding and Tri-CrossViT
编辑推荐:
滚动轴承是机械设备中不可或缺的部件,其状态直接影响运行可靠性和维护成本。为满足高精度和鲁棒性轴承故障诊断需求,本文提出一种名为CKEPM的动态映射方法,该方法基于完全自适应噪声集合经验模态分解(CEEMDAN)、基于峰度、能量和Pearson相关性的本征模态函
滚动轴承是机械设备中不可或缺的部件,其状态直接影响运行可靠性和维护成本。为满足高精度和鲁棒性轴承故障诊断需求,本文提出一种名为CKEPM的动态映射方法,该方法基于完全自适应噪声集合经验模态分解(CEEMDAN)、基于峰度、能量和Pearson相关性的本征模态函数(IMF)选择,随后进行马尔可夫转移场(MTF)编码。进一步构建三尺度跨分支网络Tri-CrossViT,以在不同分辨率下分层建模故障相关特征,并实现跨尺度信息交互以用于轴承故障分类。具体而言,首先使用CEEMDAN分解振动信号,并基于峰度、能量和Pearson相关性准则选择故障敏感IMF。然后,这些分量由MTF编码形成RGB时频图像。随后,所提出的Tri-CrossViT通过三个具有不同图像块(patch)分辨率的并行分支处理生成图像,以在三尺度上捕获故障相关信息,包括局部脉冲瞬态、调制相关包络结构和全局谱能量分布,并引入跨分支注意力以融合跨尺度互补故障信息,实现局部脉冲与全局动态特性的联合学习。Tri-CrossViT在凯斯西储大学(CWRU)和帕德博恩大学(PU)数据集上分别达到98.87%和99.51%的诊断准确率,实现优异分类性能。实验结果表明,在所评估基准条件下,集成CKEPM-Tri-CrossViT框架对滚动轴承故障诊断有效。
滚动轴承是旋转机械中的关键部件,广泛应用于电机、齿轮箱、风力发电机和船舶推进等工业系统,其运行状态直接影响设备可靠性与运行成本。滚道、滚动体和保持架出现缺陷时,振动与噪声通常异常增大,可能导致效率下降甚至安全事故。早期诊断研究主要依赖手工时域、频域特征与浅层分类器,但在载荷/转速变化或干扰显著时,特征工程与浅层学习器常因非线性耦合表征不足和域偏移而性能退化。深度学习推动故障诊断由手工特征提取转向自动表征学习,但复杂工况和特征表征限制仍影响诊断性能;同时,有效捕获故障相关多尺度特征并建模振动信号复杂依赖仍是难点。将一维振动信号转换为二维时频图并结合卷积神经网络(CNN)可增强判别性,但卷积固有局部性、对预处理和参数选择敏感,且图像诊断效果依赖生成表征是否保留足够判别性故障信息。Transformer因注意力机制可进行全局交互,但现有方法在协调局部故障细节与全局依赖、利用多尺度互补故障信息方面仍有挑战。基于上述问题,该研究提出CKEPM特征提取方案与三尺度跨分支视觉Transformer(Tri-CrossViT)相结合的轴承故障诊断框架,并在CWRU和PU轴承数据集上验证。结果表明,Tri-CrossViT在CWRU和PU上分别取得98.87%和99.51%的诊断准确率,说明集成CKEPM-Tri-CrossViT框架在所评估基准条件下具有有效性;其意义在于将故障敏感信号表示与跨尺度特征交互结合,为同时改善特征质量和多尺度表征能力提供方案。需要指出,原文讨论仍认为该方法仅在两个相对受控实验室条件下采集的公开轴承数据集上验证,变工况、强环境噪声和跨域场景鲁棒性尚需研究,多分支Transformer计算复杂度也可能限制资源受限边缘设备部署。
关键技术方法概括(不超过250字):研究人员首先对振动信号分段并归一化,采用完全自适应噪声集合经验模态分解(CEEMDAN)获得本征模态函数(IMF),按峰度>能量>Pearson相关性的优先级选择三个不重复的故障敏感IMF;随后分别进行马尔可夫转移场(MTF)编码并缩放至224×224,映射至R、G、B通道生成RGB时频动态结构图。构建Tri-CrossViT,包括三尺度图像块嵌入(TriScalePatchEmbed)、分支Transformer、跨分支注意力(Tri-CrossAttention)和融合头(Fusion Head),在小、中、大尺度并行建模并在中间层进行跨尺度信息交互,最终由全局平均池化(GAP)和多层感知机(MLP)输出故障类别。数据来源为CWRU和PU公开轴承数据集。
研究结果部分,实验1:不同IMF选择准则比较。通过在同一条件下比较七种IMF选择策略,仅改变选择准则而保持CEEMDAN分解、MTF编码、图像缩放、数据划分、ResNet50分类器和训练设置不变,得出联合峰度—能量—Pearson策略验证准确率最高,CWRU为96.86%、PU为97.58%;单准则中峰度最佳,分别为91.83%和93.07%;双准则通常优于相应单准则,但低于三准则策略,最优双准则分别为CWRU的K+P 93.77%和PU的K+E 94.80%,三准则策略较之分别提升3.09%和2.78%,说明联合使用可更全面识别故障敏感IMF并生成更具判别性的CKEPM表征。实验2:特征提取方法比较。通过在相同ResNet骨干和训练超参数下比较GAF、SDP、Recurrence graph与CKEPM,得出CKEPM平均分类准确率为96.86%,优于GAF的95.71%、Recurrence Graph的93.75%和SDP的91.15%,说明CKEPM能更有效保留脉冲性和频带特定故障特征。实验3:分类模型比较。通过在CWRU和PU上比较MobileNetV3、CrossViT、Swin Transformer、MobileViT、Transformer-BiLSTM与Tri-CrossViT,得出Tri-CrossViT测试准确率最高,分别为98.87%和99.51%;CrossViT为94.73%和97.45%,MobileNetV3为90.92%和94.27%,Swin Transformer为94.58%和98.19%,MobileViT为97.36%和98.44%,Transformer-BiLSTM为96.16%和97.73%。复杂度比较显示Transformer-BiLSTM约1.16 million参数和0.24 GFLOPs,Tri-CrossViT计算量高于轻量模型但参数和计算成本低于Swin Transformer,并在两数据集上取得最高准确率。逐类指标显示CWRU正常类精确率、召回率和F1 score均为100%;0.007 mils滚动体与内圈故障精确率分别为98.86%和96.74%,召回率分别为96.67%和98.89%,F1 score分别为97.75%和97.80%;0.014 mils内圈故障达100%;0.021 mils内圈与外圈故障精确率分别为100%和98.90%,召回率分别为98.89%和100%。PU正常类精确率、召回率和F1 score均为100%,其余类精确率和召回率约为98%。混淆矩阵主要呈对角分布,CWRU仍有少量相似振动特征或相近损伤程度类别间误分类,PU混淆矩阵近乎完美对角,说明框架具有较强判别能力。消融研究:通过比较无跨尺度交互、仅类令牌交互和全令牌跨尺度交互三种变体,得出无跨尺度交互准确率仅80.58%,仅类令牌交互提高至88.81%,全令牌交互进一步提高至98.87%,说明稠密跨尺度特征交换是Tri-CrossViT性能提升的主要贡献,尽管全令牌策略增加计算成本,但诊断准确率增益显著。
讨论与结论部分:原文总结认为,为解决复杂振动信号中判别性故障特征提取和轴承故障类型可靠识别难题,该研究提出从时域振动信号到模型判别输出的流程,包括故障特征提取与故障类型识别,主要由集成CEEMDAN、统计IMF选择和MTF编码的CKEPM特征提取方法以及基于Tri-CrossViT的分类模型组成;首先由CKEPM分解原始信号并依据峰度、能量和Pearson相关性选择IMF,再将所选IMF经MTF转换为矩阵并形成RGB图像,随后输入Tri-CrossViT,通过小、中、大尺度并行图像块嵌入和中间层跨尺度注意力实现多层分支信息互补,最后由融合头输出预测故障类别。实验结果表明该流程在CWRU和PU轴承故障数据集上具有优良分类性能,表明CKEPM特征提取方法和Tri-CrossViT诊断模型具有较强实际潜力。原文同时指出局限:该方法仅在两个相对受控实验室条件下采集的公开轴承数据集上验证,其在变工况、严重环境噪声和跨域场景下的鲁棒性仍需进一步研究;Tri-CrossViT虽取得较优诊断性能,但多分支Transformer架构不可避免带来高于轻量卷积模型的计算复杂度,可能限制资源受限边缘设备部署。未来工作将聚焦轻量化网络设计、域适应以及真实工业数据集验证,以进一步提升所提框架的实用性和泛化能力。