用于滚动轴承振动数据的生成式人工智能方法：考虑多域联合损耗，并基于可解释的物理定律

《Engineering Applications of Artificial Intelligence》：Generative artificial intelligence method for vibration data of rolling bearing with multi-domain joint loss and interpretable physical laws

本文提出一种结合生成式人工智能与物理定律的滚动轴承振动数据生成方法，通过多域联合损失优化，利用MLP拟合故障阶段刚度和阻尼比参数，结合TCN预测退化阶段参数序列，通过动态模型生成符合物理规律的模拟数据，并验证其在时频域与实测数据的一致性。

　　在工业4.0的背景下，数据驱动的预测与健康管理（PHM）技术正逐步成为机械设备状态监测和预测性维护的重要手段。滚动轴承作为关键的旋转部件，其状态变化对设备的运行安全和效率具有重大影响。然而，滚动轴承故障数据的获取往往受到样本数量不足、测量条件不完善以及数据采集成本高昂等因素的限制。传统方法依赖于有限的实测数据进行建模和预测，难以满足实际应用中对数据多样性和高精度的需求。为了解决这一问题，研究者们开始探索利用生成式人工智能技术，通过模拟数据生成来补充和扩展实测数据，从而提升PHM系统的性能。

生成式人工智能技术能够在多模态数据的基础上生成具有逻辑一致性和连贯性的内容，这使其在智能PHM领域展现出巨大的潜力。通过引入生成式模型，可以有效解决由于样本不足而导致的模型泛化能力受限的问题。然而，目前大多数生成式模型存在“黑箱”特性，即其生成的数据虽然能够与实测数据在统计分布上保持一致，但缺乏物理可解释性。这意味着，尽管智能模型能够识别故障特征，但人工无法直观理解这些特征的物理含义，从而影响了实际应用中的决策依据和可靠性评估。

为了解决这一问题，本文提出了一种结合多域联合损失和可解释物理规律的生成式人工智能方法，用于滚动轴承振动数据的生成。该方法的核心思想是通过引入物理知识作为约束条件，使生成的数据不仅在统计特性上与实测数据一致，还能反映滚动轴承在故障和退化阶段的物理行为。具体而言，研究者利用多层感知机（MLP）对滚动轴承故障阶段的实测数据进行分析，提取关键参数如刚度和阻尼比，并将其代入动态模型中，从而生成具有物理意义的故障振动数据。此外，为了提高生成数据的准确性，研究者还设计了多域联合损失函数，分别考虑时间域、频率域和时频域的损失贡献，并引入平衡系数以解决不同参数量级差异带来的影响。

在滚动轴承退化阶段，研究者进一步利用MLP对退化阶段的实测数据进行建模，拟合刚度、阻尼比和质量等参数序列，并通过时间卷积网络（TCN）结合单步迭代预测方法，对这些参数序列的未来趋势进行预测。最终，通过将拟合和预测结果代入动态方程，生成退化阶段的振动数据。这种方法不仅保留了生成数据的物理可解释性，还能够准确反映滚动轴承在不同退化阶段的动态特性，从而为故障预测和健康管理提供更加可靠的依据。

为了验证该方法的有效性，研究者在两个经典数据集——Case Western Reserve University（CWRU）和XJTU-SY滚动轴承数据集上进行了实验验证。实验结果表明，生成的振动数据在时间域和频率域上与实测数据具有高度相似性，能够准确捕捉滚动轴承在故障和退化阶段的关键物理特征，如旋转频率、故障频率及其谐波成分。此外，通过对比实验，研究者还验证了该方法相较于传统数据生成方法的优势，尤其是在参数拟合精度和数据物理可解释性方面。

在数据生成过程中，研究者还对不同方法进行了消融实验，以评估各模块对生成效果的影响。实验结果表明，引入多域联合损失和平衡系数能够显著提升生成数据的质量和物理一致性。同时，通过与其他数据驱动模型（如卷积神经网络CNN、长短期记忆网络LSTM、门控循环单元GRU等）进行对比，研究者发现，基于物理信息融合的MLP方法在生成具有物理意义的振动数据方面表现更为优越。这一发现为未来在工业设备状态监测和预测性维护领域应用生成式人工智能技术提供了重要的理论支持和实践指导。

滚动轴承的故障和退化过程通常伴随着复杂的物理变化，这些变化不仅影响其振动特性，还可能引发设备性能的下降甚至故障。因此，准确捕捉这些变化对于预测和管理滚动轴承的状态至关重要。传统的故障检测方法往往依赖于有限的实测数据，难以全面反映滚动轴承在不同工况下的行为。而本文提出的方法通过结合物理模型和生成式人工智能技术，能够有效生成符合实际物理规律的振动数据，从而弥补实测数据的不足，提高故障预测的准确性。

在实际应用中，生成的数据不仅可以用于训练和优化智能模型，还能为工程师提供直观的物理解释，帮助他们更好地理解设备的运行状态和潜在故障。例如，在滚动轴承的故障阶段，生成的振动数据能够反映出故障频率及其谐波成分，这些特征与实际的故障模式密切相关。而在退化阶段，生成的振动数据则能够展示出参数序列的变化趋势，如刚度和阻尼比的逐渐下降，这些变化与设备性能的退化过程一致。因此，本文提出的方法不仅提升了数据生成的效率，还增强了数据的物理可解释性，为工业设备的智能维护提供了更加可靠的技术支持。

此外，本文的研究还为生成式人工智能在工业领域的应用提供了新的思路。传统的生成式模型虽然能够生成高质量的数据，但由于其“黑箱”特性，生成的数据往往缺乏明确的物理意义。而本文通过引入物理约束和多域联合损失函数，使生成的数据能够更好地反映设备的实际运行状态，从而提升了生成数据的可信度和实用性。这种方法不仅适用于滚动轴承，还可能推广到其他类型的机械部件，为工业设备的状态监测和预测性维护提供更加全面和准确的数据支持。

在实验验证过程中，研究者还对生成数据的统计特性和物理特征进行了详细分析。实验结果表明，生成的数据在时间域和频率域上的分布特征与实测数据高度相似，这说明该方法能够有效模拟滚动轴承的实际运行状态。同时，生成的数据还包含了清晰的物理特征，如旋转频率、故障频率及其谐波成分，这些特征与滚动轴承的故障模式和退化过程密切相关。因此，该方法不仅能够生成高质量的数据，还能够为故障诊断和健康管理提供更加直观的物理依据。

本文的研究成果对于提升工业设备的预测性维护能力具有重要意义。通过结合物理模型和生成式人工智能技术，研究者能够生成符合实际物理规律的振动数据，从而弥补实测数据的不足。这种方法不仅能够提高智能模型的泛化能力，还能增强数据的可解释性，为工程师提供更加可靠的决策依据。此外，该方法还能够降低数据采集的成本和难度，使预测性维护技术更加适用于实际工业场景。

在实际工业应用中，滚动轴承的故障和退化数据往往受到多种因素的影响，如设备的运行环境、负载条件以及润滑状态等。这些因素可能导致实测数据的不完整或不一致，从而影响智能模型的训练效果。本文提出的方法通过引入物理约束，使生成的数据能够更好地反映这些实际因素的影响，从而提高了模型的鲁棒性和准确性。这种方法不仅适用于滚动轴承，还可能推广到其他类型的机械部件，为工业设备的状态监测和预测性维护提供更加全面和准确的数据支持。

总之，本文提出了一种结合多域联合损失和可解释物理规律的生成式人工智能方法，用于滚动轴承振动数据的生成。该方法能够有效解决实测数据不足的问题，同时保持生成数据的物理可解释性，为工业设备的预测性维护提供了新的技术路径。通过实验验证，研究者证明了该方法在生成高质量振动数据方面的有效性，并展示了其在故障和退化阶段的应用潜力。未来，该方法有望在更多工业设备的状态监测和预测性维护领域得到应用，进一步推动工业智能化的发展。