《CMES - Computer Modeling in Engineering and Sciences》:Gearbox Fault Diagnosis under Varying Operating Conditions through Semi-Supervised Masked Contrastive Learning and Domain Adaptation
编辑推荐:
针对变工况齿轮箱故障诊断中标记样本稀缺及工况变化导致诊断模型精度下降的问题,研究人员提出了一种半监督掩码对比学习与域适应(Semi-Supervised Masked Contrastive Learning and Domain Adaptation, SS
针对变工况齿轮箱故障诊断中标记样本稀缺及工况变化导致诊断模型精度下降的问题,研究人员提出了一种半监督掩码对比学习与域适应(Semi-Supervised Masked Contrastive Learning and Domain Adaptation, SSMCL-DA)方法。首先,在无监督预训练阶段,研究人员设计了一种双信号增强策略,同时对无标记样本施加时域随机掩码和频域随机缩放,构建更具挑战性的正样本对,引导编码器学习对工况变化具有鲁棒性的内在特征。其次,采用ConvNeXt-Transformer混合架构作为编码器,融合ConvNeXt的局部细节建模优势与Transformer的全局感知能力,以增强复杂场景下的特征提取效果。进而,构建以最大化同一样本不同掩码实例间特征相似性为优化目标的对比学习模型,使模型能够从多掩码视角提取一致特征,降低对标记数据的依赖。在最终的有监督微调阶段,引入多尺度注意力机制进行特征校正,并提出结合局部最大均值差异(Local Maximum Mean Discrepancy, LMMD)与对抗学习的域适应模块。该模块体现双重机制:LMMD实现细粒度的类条件分布对齐,促使相同故障类别的特征在不同工况下趋于收敛;域判别器通过对抗训练引导特征提取器学习域不变特征。二者协同作用,显著减小由负载、转速等因素变化引起的特征分布差异,提升模型对跨工况场景的适应能力。在WT行星齿轮箱数据集和Case Western Reserve University(CWRU)轴承数据集上的实验评估表明,SSMCL-DA模型能够有效识别齿轮箱多种故障类别,诊断性能显著优于传统方法。在跨工况场景下,该模型对WT行星齿轮箱和轴承的故障诊断准确率分别达99.21%和99.86%,且在跨设备场景中表现出稳定的泛化能力。
齿轮箱作为传递机械动力的核心部件,其运行状态直接决定机械系统的效率与安全性。在新能源汽车、重型机械及航空航天等关键行业中,齿轮箱在复杂工况下连续运转,易发生性能退化乃至失效。点蚀、裂纹、磨损和断齿等典型故障模式会改变系统动态响应,可能导致非计划停机及严重安全事故。因此,实现高效准确的齿轮箱故障诊断具有重要工程价值。
随着人工智能技术的发展,深度学习因其强大的自动特征提取与模式识别能力,在机械故障诊断中得到广泛应用。卷积神经网络(Convolutional Neural Network, CNN)、长短期记忆网络(Long Short-Term Memory, LSTM)、Transformer及门控循环单元(Gated Recurrent Unit, GRU)等代表性深度学习架构,通过多层非线性变换从振动信号中分层学习深层特征表示,在齿轮箱故障诊断中展现出显著优势。然而,现有深度学习方法通常依赖大量高质量、全标记的故障样本进行训练,并假设训练数据与测试数据服从相同分布。实际中,齿轮箱在转速、负载等动态变化的复杂环境下运行,导致不同工况下故障数据分布存在显著差异,即分布偏移(distribution shift)现象。同时,高质量样本标注需要大量专家投入,且某些严重故障样本本身较为稀有,使得构建大规模、均衡的标记数据集日益困难。这些问题共同加剧了变工况条件下智能诊断的挑战,使有限标记样本下的变工况故障诊断成为学术界与工业界持续关注的关键难题。
为应对上述挑战,研究人员从特征提取、半监督学习、元迁移学习、域条件特征校正等方向开展了广泛探索。然而,现有方法仍存在以下不足:第一,多数方法聚焦于小样本利用,未能充分挖掘大量无标记数据中蕴含的潜在价值;第二,现有半监督对比学习方法依赖大量负样本进行对比学习,模型性能易受负样本选择影响;第三,现有迁移学习技术难以精确建模域间特征变异性,易导致模型关注非判别性或冗余信息,从而降低诊断精度与泛化能力。为此,本研究提出基于SSMCL-DA的齿轮箱故障诊断方法,其核心创新点包括:提出双信号增强对比学习预训练策略以构建更具挑战性的正样本对;设计ConvNeXt-Transformer混合特征提取网络作为骨干,平衡局部特征提取与长程依赖捕捉;构建融合LMMD与对抗学习的域适应模块,实现细粒度类条件分布对齐,为工业预测性维护提供更全面的决策基础。
本研究采用的关键技术方法主要包括以下几方面。在数据增强层面,设计双信号增强策略,对无标记样本同时施加时域随机掩码与频域随机缩放,构建正样本视图对。在编码器架构层面,构建ConvNeXt-Transformer混合特征提取网络,下层采用改进的ConvNeXt模块提取局部时频特征,上层嵌入Transformer编码器层捕获长程依赖关系。在预训练优化层面,采用非对称预测架构的对比学习框架,以最大化同一样本不同增强视图间的特征相似性为目标,结合梯度停止操作防止模型坍塌。在微调阶段特征校正层面,引入多尺度注意力机制,通过并行多尺度卷积核同时提取宏观、中观和微观尺度的物理特征,并施加时间注意力动态加权融合特征表示。在域适应层面,提出LMMD与对抗学习联合优化的域适应模块,LMMD负责细粒度的类条件分布对齐,域判别器通过对抗训练实现全局域不变特征学习,二者协同降低跨域分布差异;同时引入正则化损失防止特征校正模块过度迁移。
研究背景与同工况诊断实验方面,为验证SSMCL-DA模型在齿轮箱故障诊断中的有效性,研究人员在相同工况下开展了不同标记样本量的对比实验。实验在三种不同转速工况下进行,每种工况下测试五种不同数量的标记样本。实验结果表明,随着标记样本量减少,所有模型诊断精度均不同程度下降。以A→A工况为例,当标记样本量为80时,CNN-Transformer模型因标注稀缺易过拟合特定训练样本模式,诊断精度最低(82.99%)且收敛过程波动显著;MSCNN-LSTM-Attention模型通过多尺度特征提取、深度序列理解与动态注意力加权聚焦的协同机制,实现更精确稳健的复杂时空模式建模,精度达98.87%,接近SSMCL-DA模型的99.80%。SSMCL-DA模型凭借双信号增强掩码对比学习及ConvNeXt-Transformer混合架构,在预训练阶段驱动编码器学习对工况变化鲁棒的内在特征,同时充分利用无标记数据中的潜在信息,在相同工况下保持轻微但一致的优势。通过t-分布随机邻域嵌入(t-distributed Stochastic Neighbor Embedding, t-SNE)方法对全连接层输出特征进行降维可视化,结果显示SSMCL-DA模型即使在少量标记样本场景下仍保持优异的特征判别与提取能力,各类别间仅存在个别样本点的轻微混淆。
变工况故障诊断实验方面,为验证SSMCL-DA模型在变工况条件下的有效性,研究人员设计了六种不同迁移任务,每种任务下测试五种标记样本量。实验结果表明,除SSMCL-DA外,所有模型在变工况下相较同工况均出现显著性能退化,其中CNN-LSTM和CNN-Transformer模型精度分别下降16.19%和10.04%。MSCNN-LSTM-Attention模型因未能准确建模和对齐域间特征差异,诊断精度(94.38%)略低于SSMCL-DA(99.18%)。SSMCL-DA模型采用多尺度注意力机制进行特征校正,实现类条件下的细粒度分布对齐并学习域不变特征,在所有迁移任务中达到最高平均诊断精度。以B→C任务、标记样本量80为例,SSMCL-DA约在第八次迭代即收敛,验证了其高效性与鲁棒性。通过概率密度图(Probability Density Plot, PDF)和累积分布函数(Cumulative Distribution Function, CDF)对比分析,SSMCL-DA模型显著缩小了源域与目标域的分布差距,验证了其在跨域特征对齐方面的有效性。
消融实验与特征可视化方面,研究人员在B→C任务(标记样本量80)下开展了系统性消融研究。结果表明:仅将CNN编码器替换为ConvNeXt-Transformer编码器,精度提升9.53%,验证了其强大表征能力;单独引入双信号掩码对比学习或 LMMD+对抗域适应模块,分别带来5.54%和9.98%的性能提升,其中域适应方法效果更为显著,表明缓解域间分布差异在本跨域诊断任务中比单纯增强特征判别性更为关键;将两种算法与CNN编码器结合,精度提升13.86%;而将ConvNeXt-Transformer与核心域适应模块结合,增益进一步提升至14.79%。完整模型最终达到最优精度99.18%,整体提升18.83%,充分验证了各模块的互补性。通过t-SNE可视化分析,在变工况迁移场景下,CNN-LSTM、CNN-BiGRU和CNN-Transformer模型提取的特征仍存在显著重叠,MSCNN-LSTM-Attention模型在部分故障类别间存在混淆,而SSMCL-DA模型实现了优异的类间分离,仅在断齿、齿根裂纹和缺齿等少数类别间存在轻微混淆。
跨设备泛化验证方面,为验证SSMCL-DA模型在跨设备故障诊断任务中的泛化性能,研究人员基于CWRU轴承数据集开展实验,涵盖正常状态及内圈、外圈、滚动体故障,采样频率12 kHz,负载条件覆盖0、1、2、3马力(Horsepower, HP)。以3 HP→0 HP迁移任务为例,在不同标记样本量条件下,SSMCL-DA模型诊断精度均显著高于CNN-LSTM和MSCNN-LSTM-Attention模型,当标记样本量增至100时准确率达99.86%。t-SNE可视化结果显示,CWRU轴承数据原始特征分布混乱,CNN-LSTM模型提取特征仍存在显著重叠,MSCNN-LSTM-Attention模型在某些类别间存在轻微混淆,而SSMCL-DA模型在所有十种故障条件下均实现清晰类间边界,无可观察混淆,展现了其卓越的跨域泛化能力与稳健故障表征性能。
结论部分,本研究针对齿轮箱故障诊断中标记数据稀缺及变工况导致模型性能退化的问题,提出融合半监督掩码对比学习与域适应的SSMCL-DA方法。通过理论分析与实验验证,核心贡献与结论如下:第一,提出基于双信号增强掩码对比学习的预训练策略,通过对大量无标记样本同时施加时域随机掩码和频域随机缩放,构建更具判别性的正样本对,迫使编码器在无监督条件下学习对工况波动不敏感的鲁棒内在特征表示,显著降低模型对有限标记数据的依赖,并为后续微调建立高质量初始化;第二,构建ConvNeXt-Transformer混合编码器作为骨干特征提取网络,有效整合ConvNeXt模块捕捉局部细节的效率与Transformer建模全局依赖的强大能力,增强模型对振动信号中复杂故障模式的深度表征与提取能力;第三,设计融合LMMD与对抗学习的域适应模块,通过LMMD损失实现细粒度类条件分布对齐,并通过与域判别器的对抗训练学习全局域不变特征,两种机制协同显著缓解负载、转速等因素变化引起的跨工况特征分布差异,提升模型的域适应与泛化性能。实验结果表明,SSMCL-DA模型在WT行星齿轮箱数据集和CWRU轴承数据集的变工况诊断任务中均取得优异性能,峰值诊断准确率分别达99.21%和99.86%,且在跨工况、跨设备迁移场景中表现出稳定的泛化能力与鲁棒性。
本研究发表于《CMES - Computer Modeling in Engineering and Sciences》。