基于轻量级域自适应图卷积网络的起重机回转支承跨工况故障诊断

《Sensors》:Cross-Condition Fault Diagnosis of Crane Slewing Bearings Based on a Lightweight Domain-Adaptive Graph Convolutional Network

【字体: 大 中 小 】 时间:2026年08月28日 来源:Sensors 4.0

编辑推荐:

  起重机回转支承跨工况故障识别难度较大,原因在于低转速、重载荷与工况变化共同削弱了故障诱发冲击,并改变了监测数据的分布。此外,振动与声发射(acoustic emission, AE)信号分别描述轴承退化的不同侧面,使得固定多传感器融合在传感器灵敏度随故障状态变

  
起重机回转支承跨工况故障识别难度较大,原因在于低转速、重载荷与工况变化共同削弱了故障诱发冲击,并改变了监测数据的分布。此外,振动与声发射(acoustic emission, AE)信号分别描述轴承退化的不同侧面,使得固定多传感器融合在传感器灵敏度随故障状态变化时显得不足。研究人员提出一种轻量级域自适应图卷积网络(lightweight domain-adaptive graph convolutional network, LDAGCN)用于跨工况诊断。模型以六通道振动与单通道声发射作为同步异构输入,先由两条紧凑一维编码器学习模态专属时序表示,再由特征级门控(feature-wise gate)确定各传感模态的相对贡献。每个mini-batch的融合嵌入被视为图节点,基于Top-k余弦相似度重构稀疏样本图;多感受野图卷积聚合一跳与高阶邻域信息,残差连接限制对原始融合特征的过度修改。为缩减工况差异,训练目标联合源域分类、对抗域判别、最大均值差异(maximum mean discrepancy, MMD)与少量有标签目标域适应子集监督。在专设回转支承试验台上针对正常、内圈故障、外圈故障与B1局部故障开展实验,目标工况测试集准确率达97.22%,Macro-F1为97.21%,Macro-Precision为97.37%,Macro-Recall为97.22%,优于1D-CNN、ResNet1D、CNN-LSTM、DANN、MMD-DAN与DeepCORAL。混淆矩阵与t-SNE投影表明所学表示在缩小源–目标分布间隙的同时保留了故障类可分性;消融实验进一步显示声发射信息、门控融合、图关联学习与域适应互为补充,且架构轻量,适于现场监测。
研究背景方面,起重机回转支承不同于常规滚动轴承,具有低转速、同时承受轴向力径向力与倾覆力矩的特点,故障诱发冲击弱且强非平稳,转速与载荷变化会改变同缺陷的幅值、间隔与谱能模式,导致源工况所学类边界在目标工况失效、不同故障响应重叠。现有数据驱动诊断虽从人工指标走向端到端表示,但多数基准面向受控实验室常规轴承;低速重载回转支承因弱故障与波动载荷带来更显著跨工况挑战。多传感器融合可扩展故障信息覆盖,但既有方法常依赖直接拼接、固定系数或全局共享注意力,在显著源–目标偏移下效果未充分验证。跨工况诊断常用子域匹配、对抗迁移与机制辅助多域适应,但全局边际对齐未必保持类间对应,且多数无监督方法忽视现场可获的少量目标域标签。图诊断引入独立窗口处理无法表达的关系信息,多感受野图卷积与知识通知图构造已展现价值,但既有诊断图多基于纯振动,联合振动–声发射构图及复杂图架构算力开销限制现场部署的问题尚未解决。为此研究人员开展本研究,发表于《Sensors》。
关键技术方法上,研究人员搭建专设起重机回转支承试验台,在2 rpm定转速下取0 N、30 N、60 N三种倾覆载荷构成三对跨载荷迁移任务(T1:0 N→30 N, T2:0 N→60 N, T3:30 N→60 N),每工况每状态五条独立连续记录,滑窗8192点、步长4092点(50%重叠)得到源训练每类600窗、目标适应每类30窗、验证每类54窗、测试每类216窗,七通道同步采集(六加速度+单AE),通道内z-score归一化。模型端采用双分支轻量一维卷积编码振动与AE,特征级Sigmoid门控融合,mini-batch内融合嵌入投至32维图空间后按Top-k余弦相似度建对称自环样本图,并行一跳/两跳/三跳归一化邻接传播后经层归一与残差系数回加原融合特征;域适应联合梯度反转层对抗域判别、MMD核统计对齐与少量有标签目标适应样本交叉熵,总损失加权λt=0.15、λadv=0.02、λmmd=0.005。
研究结果部分,引言指出三重缺口:振动/AE贡献被固定或全局共享、分布对齐未显式保故障样本关系几何、复杂图架构算力受限。第2节整体框架将同步六振+单AE经双轻量编码器与门控融合得融合嵌入,构图后多感受野图卷积极残差增强,送分类器;训练期域判别与MMD作用于高层表示,源全标+目标少标提供监督。多传感器轻量提取节说明振动反映结构全局动力学、AE敏于局部损伤瞬态,双分支留异质信息。门控融合节以σ(Wg[hv;ha])生成逐维门值,近1偏振动近0偏AE,反向传播自学习。动态样本图节将batch内窗样作节点,投32维后余弦相似截断负值为零,按行选Top-k(k∈{1,2,3,4,5,8}由目标验证Macro-F1选定),max对称化加自环与对称度归一。多感受野图卷积节并行?1、?2、?3三阶传播各过独立W/b,拼接回射原维后残差hfinal=αhfused+(1?α)hgraph。域对抗与MMD节经梯度反转层使特征提取器与域分类器反向优化,MMD用核映射RKHS距离补对抗。半监督适应节以30窗/类目标标签作类锚。整体目标节给出Ltotal=Lsrc+λtLtgt+λadvLadv+λmmdLmmd。第3节试验设置详述单排交叉圆柱滚子回转支承参数、EDM电火花加工内圈/外圈/B1滚子局部缺陷名义尺寸、Hilbert包络证实30 N下BPFI/BPFO/BSF及谐波物理一致。第4节对比1D-CNN、ResNet1D、CNN-LSTM、DANN、MMD-DAN、DeepCORAL,七通道拼接输入,五随机种子重复。第5节结果显示LDAGCN参数量0.0847 M、0.0814 G FLOPs、批16推理约0.116 ms/窗,较ResNet1D参算降约78.5%/78.3%;目标测试准确率97.22%、Macro-F1 97.21%,最强基线ResNet1D仅61.11%/60.75%,配对t检验p<0.001。混淆矩阵示N/I/O/B1识别率约0.99/0.98/0.92/1.00,O误入N为主。t-SNE域着色示目标落入源簇内、类着色四组可分B1最紧。消融去AE掉17.48点Macro-F1、去门控掉3.47、去图掉4.80、去域对齐掉2.79、仅源训练掉32.75。门控权热力图示各故障类别逐维门值居中浮动,证非固定比例融合。
讨论与结论翻译部分,研究人员指出LDAGCN三项方法创新:轻量异质传感双分支+逐维门控替代预设传感器比;mini-batch Top-k稀疏图联合多阶传播与残差保原特征,对抗+MMD+少标目标锚联合消条件差异而不乱类结构;在目标测试集获97.22%准确率与97.21% Macro-F1,优于六基线,残余混淆集中于N与O而B1清晰分离,消融证各模块互补。工程上适于定低速回转支承跨载荷监测且仅需少量目标标签,可优先巡检与按状态维护。局限为每类仅单一人工种子缺欠尺寸,未含自然退化与严重度分级;未来扩至多载荷/转速/严重度、置信伪标签在线适应及边端不确定估计。论文整体表明,在低速重载回转支承跨工况场景下,振动–声发射轻量门控融合、动态样本图多感受野传播与半监督域适应联合,可有效弥合分布偏移并保故障判别,且算力可控利于现场部署。
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