面向旋转机械故障特征频率表征的协同驱动时频对抗网络

《ISA Transactions》:Synergy-driven time-frequency adversarial network for characterizing fault characteristic frequencies in rotating machinery

【字体: 大 中 小 】 时间:2026年09月30日 来源:ISA Transactions 6.6

编辑推荐:

   • 提出一种SADTFN来表征密集且交叉的瞬时频率。 • 设计一种LTFCM以生成标准化的多通道时频图。 • 提出一种STFEF以增强时频图的局部细节与全局能量集中度。 • 提出一种训练策略以减少对有标签样本的依赖。 引言 轴承与行星齿轮箱是旋转机械的关键部件,其健康状态直

  

• 提出一种SADTFN来表征密集且交叉的瞬时频率。
• 设计一种LTFCM以生成标准化的多通道时频图。
• 提出一种STFEF以增强时频图的局部细节与全局能量集中度。
• 提出一种训练策略以减少对有标签样本的依赖。

引言
轴承与行星齿轮箱是旋转机械的关键部件,其健康状态直接影响运行可靠性[1]、[2]。在变转速条件与复杂调制作用下,振动信号呈现非平稳特性,故障特征频率常表现为密集且交叉的瞬时频率轨迹。时频分析能够揭示时变频率分量及其幅值,为故障分析提供关键信息。

为提高对非平稳信号的表征能力,参量时频分析方法利用自适应基函数来匹配时变频率模式。例如,Mann等人[3]通过引入线性频率调制参数开发了啁啾变换(CT),用于表征线性调制信号,但由于其恒定的调制率,该方法对复杂非线性信号的适用性有限。为提高对非线性信号的兼容性,Peng等人[4]提出了多项式啁啾变换,将啁啾率扩展为多项式形式;Yang等人[5]设计了样条核啁啾变换,通过样条核进一步放宽固定啁啾率的约束。然而,这两种方法在处理复杂多分量信号时仍存在局限性。为进一步分析多分量信号,Yu等人[6]构建了广义线性啁啾变换(GLCT),通过集成具有不同啁啾率的啁啾变换结果并选取每个时频点的最大幅值来表征时频图。尽管GLCT提高了目标频率脊线的能量集中度,但仍残留交叉项干扰。为抑制交叉项干扰,先后提出了同步补偿啁啾变换[7]和速度同步线性啁啾变换(VSLCT)[8]。尽管这两种方法能够处理包含交叉瞬时频率的信号,但时频分辨率仍有待进一步提高。综上所述,参量方法通过定制基函数设计显著改善了非平稳信号的时频表征能力,但对具有交叉瞬时频率的信号仍然无效,且能量集中度不足。

为进一步提高时频图的能量集中度,后处理时频分析技术被开发出来。例如,Auger等人[9]提出了重指派方法(RM),通过重新分配分散能量来提高时频集中度。在此基础上,Oberlin等人[10]提出了同步压缩变换(SST),通过相位谱与压缩算子重新分配时频能量。为进一步增强能量集中度,Yu等人[11]通过局部极大值搜索开发了局部极大值同步压缩变换(LMSST)。LMSST在抑制密集瞬时频率的能量扩散方面效果有限。为解决能量扩散问题,Meng等人[12]提出了局部方向同步压缩变换,通过局部能量变化确定压缩方向,但其对交叉瞬时频率的性能仍然有限。Yu等人[13]开发了同步抽取变换(SET),通过保留与瞬时频率相关的系数来增强能量集中度。为处理强时变信号,Bao等人[14]提出了二阶同步抽取变换(SSET),利用高阶局部瞬时频率估计来提高能量集中度并降低重构误差。高阶同步压缩变换[15]可推广至任意阶相函数,但由于递归计算导致计算成本高且对噪声敏感。尽管这些后处理技术提高了能量集中度,但其对密集与交叉瞬时频率的表征性能仍然有限。

近年来,深度学习与时频信号处理相结合,以增强复杂信号的特征表示[16]。基于深度学习的时频分析方法主要包括监督模型、半监督框架与生成对抗网络(GANs)。对于监督学习,Zhang等人[17]开发了一种基于卷积自编码器的方法来抑制交叉项干扰;Wang等人[18]提出了卷积编码器-解码器框架以减小窗效应并提高时频分辨率。Pan等人[19]开发了首个端到端模型,称为TFA-Net,该模型学习基函数以捕获多样的时频特征,并通过二维滤波核提高能量集中度。受此模型启发,Chen等人[20]构建了自适应多尺度时频网络。该网络使用多尺度一维卷积核学习全局基函数,并通过通道注意力与残差网络进一步重新校准和增强时频特征图。此外,Zhao等人[21]提出了时频自相似增强网络(TFSSEN)以改善风机故障特征表示。这些方法主要依赖配对的时频标签。半监督学习通过教师-学生一致性、伪标签化与自监督辅助任务提供了一种减少对有标签数据依赖的替代方案[22]、[23]、[24]。受这些进展启发,Liu等人[25]提出了一种基于维格纳-威乐分布(WVD)的半监督框架,称为WVDNet,该框架结合了平均教师方案、一致性正则化与卷积块注意力以抑制交叉项。生成对抗网络也通过生成器与判别器之间的对抗学习被应用于时频分析。例如,Deprem等人[26]开发了一种条件生成对抗网络,从平滑伪维格纳-威乐分布输入生成高分辨率时频图;Quan等人[27]提出了WVD-GAN,通过对抗重构来抑制交叉项。

尽管基于深度学习的时频分析方法具有泛化能力,但它们在应用于具有密集或交叉瞬时频率的信号时,通常会受到交叉项干扰与模糊的影响。这一局限性显著限制了其实际应用。因此,受上述半监督模型与生成对抗网络核心策略的启发,提出了SDTFAN。主要贡献如下:

1)设计了LTFCM,将原始信号转换为标准化的多通道时频图。在该模块中,啁啾核的频率与啁啾率被设置为可学习参数。这些参数用于参数化实核与虚核,并在训练过程中通过反向传播进行更新,从而实现自适应时频映射。

2)开发了STFEF,由TFDAM与TFAEM组成,以提高时频图的能量集中度。具体而言,TFDAM通过级联残差蒸馏注意力块(RDABs)逐步蒸馏局部时频特征,并通过空间注意力抑制背景干扰。然后,TFAEM沿时间与频率轴建模多尺度特征与长程依赖关系,以提高对密集与交叉瞬时频率的全局表征能力。

3)提出了一种半监督对抗训练策略,以减少对配对时频标签的依赖。在理想时频图与惩罚时频图的监督下,引入来自无配对时频标签的未标记模拟数据的对抗约束,以引导生成的时频图趋向目标时频图分布。

本文其余部分组织如下:第2节介绍SDTFAN的基础与训练策略。第3节使用模拟信号评估所提方法的性能。第4节使用轴承与行星齿轮箱的真实振动数据进一步展示SDTFAN的优势。第5节提供消融实验,以评估半监督对抗学习能力及LTFCM、TFDAM与TFAEM各自的贡献。最后,第6节给出结论。

章节摘要

所开发的SDTFAN
在SDTFAN中,原始信号首先由LTFCM自适应映射为标准化的多通道时频图。随后,STFEF通过两个互补模块进行协同增强:TFDAM同时实现局部特征细化与背景干扰抑制,而TFAEM通过沿时间与频率轴建模依赖关系来增强全局结构。最后,引入半监督对抗训练策略以……

模拟验证
为评估SDTFAN的性能,本节设计了包含密集与交叉瞬时频率的模拟信号。然后,将SDTFAN与GLCT、VSLCT、LMSST、SSET以及三种基于深度学习的方法进行比较,包括TFA-Net[19]、TFSSEN[21]与时频去噪优化网络(TFDON)[28]。此外,采用Rényi熵、地球移动距离(EMD)与计算时间作为定量指标,以评估能量集中度与相似性……

实验验证
本节通过两个独立的真实数据案例评估了训练后的SDTFAN对真实振动信号的适用性,包括轴承复合故障信号与行星齿轮箱故障信号。这两种信号来自不同的机械部件,包含不同的故障相关频率结构。测量信号不参与模型训练,仅用于测试与时频表征。为实现更全面的……

消融实验
为进一步评估SDTFAN的关键设计,对半监督对抗策略与主要网络模块进行了消融实验。具体而言,第5.1节分析了不同有标签数据比例与无标签对抗分支的影响,第5.2节通过四个受控变体评估了LTFCM、TFDAM与TFAEM各自的贡献。

结论
本文提出了SDTFAN,用于表征包含密集与交叉瞬时频率的信号,以识别变转速条件下旋转机械中的非平稳故障特征频率。具体而言,SDTFAN以对抗时频学习框架为核心,通过将原始振动信号映射为时频图,逐步增强局部与全局时频特征,并进一步利用无配对时频标签的模拟样本通过半监督对抗……

作者声明
作者声明本文呈现的研究内容既未在另一场所接受考虑,也未曾发表。

CRediT作者贡献声明
Lingli Cui:监督、资源、资金获取、数据整理。Tianyang Wang:监督、资源、数据整理。Dezun Zhao:撰写-审阅与编辑、撰写-原始草稿、监督、资源、方法论、资金获取、数据整理、概念化。Haoran Zhao:撰写-审阅与编辑、撰写-原始草稿、可视化、验证、软件、形式化分析。

利益冲突声明
作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文所述工作。

致谢
本工作得到了国家自然科学基金(51905292)与北京市自然科学基金(L221007)的支持。

Haoran Zhao | Dezun Zhao | Tianyang Wang | Lingli Cui
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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