时频混合多级特征对齐域自适应网络用于滚动轴承跨工况故障诊断

《Advances in Mechanical Engineering》:Time-frequency hybrid multilevel feature alignment domain adaptation network for cross-condition fault diagnosis of rolling bearings

【字体: 大 中 小 】 时间:2026年10月22日 来源:Advances in Mechanical Engineering 2

编辑推荐:

  传统故障诊断方法在变化工况下应用时会出现性能退化。这对工业系统分析构成了严峻挑战,因为传感器数据中的分布偏移会严重降低诊断可靠性。域自适应方法在跨工况场景中已展现出应用前景,但现有方法存在两个根本性局限:(1)特征层次不足以捕获多尺度故障特征;(2)域对齐不完

  
传统故障诊断方法在变化工况下应用时会出现性能退化。这对工业系统分析构成了严峻挑战,因为传感器数据中的分布偏移会严重降低诊断可靠性。域自适应方法在跨工况场景中已展现出应用前景,但现有方法存在两个根本性局限:(1)特征层次不足以捕获多尺度故障特征;(2)域对齐不完整,忽视了条件分布差异。本文提出一种时频混合多级特征对齐域自适应网络(TF-MFA-DA),该网络集成了三个协同设计组件:(a)时频混合特征提取器,其中时域分支采用多尺度卷积和Transformer编码来捕获局部冲击模式与全局时间依赖,频域分支则提取频谱统计信息;(b)双对齐机制,通过全局域判别器和条件域判别器同时实现边缘分布与类条件分布匹配;(c)基于加权最大均值差异(WMMD)的自适应特征加权模块,以增强跨域可迁移性。在两个公开数据集上进行的大量实验表明,所提出框架在多种运行工况下均取得了具有竞争力的诊断性能与更高的稳定性。
一、研究背景与问题

滚动轴承是工业机械中的核心部件,其失效可能导致生产停机、维护成本增加和安全风险上升等严重后果。在现代工业应用中,转速、载荷和温度等运行条件可能发生剧烈变化,导致传感器数据分布呈现显著差异,这对传统故障诊断方法的有效性构成了挑战。目前轴承故障诊断技术主要分为基于信号处理的方法和数据驱动的方法两大类。传统信号处理方法依赖振动信号特征提取来识别故障模式,如傅里叶变换、小波包分解和希尔伯特-黄变换等,但这些方法需要大量先验知识和精确的参数调节,在复杂工业场景中的适配能力受限。数据驱动方法,特别是基于深度学习的方法,已在基准数据集上取得较高准确率,但面临两个关键挑战:一是对标注数据的依赖,监督学习需要大量标注样本,在工业场景中获取成本高昂;二是域偏移脆弱性,跨工况场景下因数据分布不匹配导致诊断性能显著下降。

域自适应技术已被证明可以缓解上述域偏移问题,但现有方法仍存在两方面不足:多数框架主要依赖单一域深度表示,未能充分利用时频互补信息;传统自适应策略集中于全局分布对齐,忽略了类条件分布差异和特征的差异化可迁移性。这种不完整的对齐可能导致负迁移,尤其是在运行工况差异较大的场景中。针对上述局限,研究人员提出了任务导向的时频混合多级特征对齐域自适应网络(TF-MFA-DA),该框架将时频混合特征提取、全局与条件对抗对齐以及加权最大均值差异(WMMD)统计对齐集成于统一框架之中,旨在实现跨工况条件下滚动轴承故障的准确、稳定诊断。

二、研究内容与核心结论

研究人员设计了由三个协同组件构成的TF-MFA-DA框架:时频混合特征提取器、双级对抗域对齐策略和加权MMD特征对齐机制。时频混合特征提取器采用非对称双分支结构,时域分支通过多尺度卷积与Transformer编码捕获局部冲击模式和全局时间依赖,频域分支利用基于快速傅里叶变换的频谱统计嵌入提取频域故障特征,融合后形成综合故障表征。双级对抗域对齐策略同时采用全局域判别器和条件域判别器,在边缘分布和类条件分布两个层面实现源域与目标域特征分布的对齐,既保持整体分布一致性又保留类别特定判别性。加权MMD机制通过学习可学习的权重向量自适应强调可迁移的特征维度,抑制条件敏感成分,增强跨域特征一致性。

实验结果表明,在CWRU数据集上,TF-MFA-DA在12个迁移任务上取得99.95%±0.00%的平均准确率,在JNU数据集上取得98.91%±0.08%的平均准确率。在CWRU数据集上,部分任务接近饱和状态,TF-MFA-DA表现竞争且稳定;在域偏移更为显著的JNU数据集上,特别是难度较高的跨转速迁移任务中,TF-MFA-DA较基线方法展现出更明显的优势。消融实验验证了各组件均对整体性能有所贡献,但贡献程度不对等且具有任务依赖性。梯度余弦相似性分析表明,全局域判别器和条件域判别器引起的梯度方向不存在持续的相互抑制现象。

三、关键技术方法

该研究使用了以下主要技术方法:(1)时频混合特征提取,结合多尺度卷积、Transformer编码和基于实值快速傅里叶变换(rFFT)的频谱统计嵌入;(2)双级对抗域对齐,采用带梯度反转层的全局域判别器与条件域判别器,实现边缘与类条件分布的同时对齐;(3)加权最大均值差异(WMMD)对齐,通过可学习权重向量自适应强调可迁移特征维度;(4)数据标准化处理,采用Z-score标准化消除量纲影响;(5)损失函数加权组合与分阶段激活策略,全局域判别器在训练进度40%时启动,条件域判别器在20%时启动。模型采用AdamW优化器和余弦退火学习率调度。实验使用了两个公开数据集:CWRU轴承数据集(驱动端数据,12 kHz采样,四种工况,10类故障状态)和JNU轴承数据集(50 kHz采样,三种转速工况,4类故障状态),训练集由源域80%标注数据和目标域20%未标注数据构成。

四、研究结果

4.1 CWRU轴承数据集实验结果

在CWRU数据集上,TF-MFA-DA取得99.95%±0.00%的平均准确率,高于所有基线方法。M2(域对抗+对比学习)为最佳基线,平均准确率为99.29%±0.63%。在T1、T2、T8和T12等任务上,TF-MFA-DA达到100%准确率。在难度较大的T10和T11任务中,M1和M5出现明显性能下降,而TF-MFA-DA仍保持99.83%和99.99%的准确率。t-SNE可视化显示各类样本形成紧凑且分离良好的簇,表明所学习的特征表示具有类判别性和跨域稳定性。由于部分CWRU任务接近饱和,TF-MFA-DA相对强基线的优势幅度有限,主要体现为高稳定性和竞争性表现。

4.2 JNU轴承数据集实验结果

在JNU数据集上,TF-MFA-DA的平均准确率为98.91%±0.08%,显著优于所有基线方法。最佳基线M2的平均准确率为95.64%±1.61%。在难度最高的T15任务中,TF-MFA-DA达到98.52%,而最佳基线仅为89.43%;T17任务中TF-MFA-DA保持98.08%,基线仅约90%。与CWRU相比,各基线在JNU上性能下降更明显,说明JNU任务的域偏移更大,对特征可迁移性要求更高。混淆矩阵显示大多数预测位于对角线,表明不同故障类别的分类准确。

4.3 消融实验

消融实验选取T3、T10、T14和T17四个难度较大的任务。完整模型平均准确率为99.11%。移除频域分支导致性能下降最明显(降至87.03%),说明频域分支提供主要的判别性信息;移除时域分支使准确率降至94.22%,表明其时域分支提供补充信息。移除Transformer编码器性能变化可以忽略,说明其仅起辅助作用。移除统计特征使准确率降至99.05%,表明池化频谱表示已包含大部分有效信息。拼接融合优于加法融合。移除WMMD、全局域判别器和条件域判别器分别使准确率降至98.92%、98.40%和98.21%,在更困难的任务上影响更为明显。移除两个判别器与仅移除条件域判别器效果相当,说明两个判别器存在部分作用重叠。

4.4 梯度交互分析

为检验全局域判别器和条件域判别器两个对抗目标是否产生持续互斥,研究人员计算了两种对抗损失对共享特征提取器产生的梯度余弦相似度。在T3、T10、T14和T17四个任务上使用5个随机种子进行20次独立运行,运行级别的平均余弦相似度为0.17(95%置信区间[0.10, 0.25])。仅17.98%的共同激活训练时期出现瞬时负相似度,未观察到持续相互抑制。这表明延迟激活和不对称的梯度反转层系数调度有助于减少早期优化干扰。

五、讨论与结论

实验结果表明,时频混合表示和双级对齐策略的集成在跨工况故障诊断中具有明显优势。频域分支为模型贡献了最主要的判别性信息,时域分支提供有价值的补充信息,Transformer为辅助组件,WMMD、全局域判别器和条件域判别器在不同程度上增强了跨域对齐。各组件贡献的不均衡性和任务依赖性为未来域自适应诊断模型的设计提供了参考。在较难的跨工况任务中,所提出方法的优势更为突出,表明该框架在域偏移严重场景下具有较强鲁棒性。

本文提出了一种任务导向的时频混合多级特征对齐域自适应网络(TF-MFA-DA),以解决跨工况滚动轴承故障诊断中的数据分布偏移关键挑战。所提出框架集成了三个协同设计的组件:从时域和频域同时捕获综合故障信息的时频混合特征提取器,同时对齐边缘分布和类条件分布的双级对抗对齐机制,以及增强跨域可迁移性的加权MMD自适应特征加权模块。在CWRU和JNU数据集上的实验结果表明,TF-MFA-DA平均准确率分别为99.95%和98.91%,在CWRU上表现竞争且稳定,在更具挑战性的JNU任务上呈现明显优势。消融研究评估了各组件的贡献,发现其效果不对等且具有任务依赖性,为未来域自适应故障诊断模型的设计提供了有价值的见解。未来工作将验证所提出框架在更复杂工业条件下的有效性,包括噪声环境和复合故障场景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号