在变速条件下，基于稳健的GSR阵列辅助的快速智能诊断方法用于多谐波故障特征的检测

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Robust GSR array-assisted fast intelligent diagnosis for multi-harmonic fault characteristics under variable-speed conditions

针对变转速条件下轴承振动信号的非平稳性和强噪声干扰，提出集成广义随机共振（GSR）阵列增强多谐波故障特征（MFCs）、Markov转移场（MTF）表征和轻量级卷积神经网络（CNN）智能分类的三阶段诊断方法。实验表明，该方法在原始信号中分类准确率达99.69%，噪声抑制比达9 dB时仍保持95.53%的准确率，显著优于对比方法，并验证了参数迁移性和噪声抗性优势。

　　在现代工业应用中，旋转机械设备通常在复杂且恶劣的条件下运行，轴承故障成为导致设备停机的主要原因。这些故障不仅会造成高昂的维护成本，还可能带来严重的安全隐患。因此，开发一种高效、准确的故障诊断方法对于确保系统可靠性、预防灾难性故障具有重要意义。然而，传统方法在处理变量速条件下的振动信号时面临诸多挑战，因为这些信号往往具有高度的非平稳性和显著的噪声污染，使得故障特征提取和识别变得困难。

针对这一问题，本文提出了一种快速的智能诊断方法，该方法融合了广义随机共振（Generalized Stochastic Resonance, GSR）阵列、马尔可夫转移场（Markov Transition Field, MTF）以及轻量级卷积神经网络（Convolutional Neural Network, CNN）。该方法旨在通过多阶段的信号处理，提升诊断精度与计算效率之间的平衡。首先，利用一阶和二阶随机渐近稳定性准则优化角域GSR阵列，以增强多谐波故障特征（Multi-Harmonic Fault Characteristics, MFCs）。其次，将增强后的信号转换为MTF图像，以实现更准确的故障特征表示。最后，采用轻量级CNN进行智能分类，从而完成整个诊断流程。

传统的随机共振（Stochastic Resonance, SR）方法通常依赖于双稳或多重稳定系统，通过将加性噪声的能量转移到弱周期信号中，以增强故障特征。早期的研究认为，非线性、弱周期激励和加性噪声是SR方法设计不可或缺的要素。然而，随着研究的深入，人们发现类似SR的效果也可以在由乘性（有色）噪声驱动的线性系统中出现。这一发现推动了广义随机共振（GSR）概念的发展，即强调响应指标（如信噪比、自相关性和统计矩）与系统或噪声参数之间的非单调依赖关系。例如，Chen等人首次提出了基于GSR的轴承故障诊断方法，Wang等人则通过分析乘性噪声下的能量转换机制，进一步优化了诊断性能。近年来，研究人员还结合了尺度变换分数振子和波动阻尼线性振子，提出了适用于复杂故障环境的诊断技术。此外，故障特征增强（Fault Feature Amplification, FFA）被引入作为评估指标，以替代耗时的数值优化，实现对信号增强效果的高效评估。

尽管上述方法在恒定速度条件下表现出良好的效果，但在实际工业应用中，设备往往在变量速条件下运行，这使得信号特性更加复杂，故障识别的难度也随之增加。为此，研究人员引入了多种先进技术，如计算阶跟踪（Computed Order Tracking, COT）、时间变化自回归（Time-Varying Autoregressive, TVAR）模型和角域同步平均（Angular Domain Synchronous Averaging, ADSA）等。其中，COT被认为是一种关键的技术，因为它能够将具有非平稳特性的时域信号转换为稳定的角域表示，从而减少速度波动对信号的影响。这种转换不仅提升了SR/GSR方法在动态速度环境中的适用性，也为后续的故障特征增强和识别提供了坚实的基础。例如，Yang等人结合COT与双稳系统，提出了用于弱故障检测的自适应频率偏移SR方法；而Gong等人则进一步利用耦合SR，在COT转换后增强了故障特征。

然而，现有的SR/GSR方法在处理实际工业环境中的复杂信号时仍存在局限。大多数方法倾向于将振动信号简化为理想化的正弦波形式，专注于单个故障特征的增强，忽略了多谐波故障特征的存在。在实际运行中，由于机械冲击的周期性，轴承信号往往呈现出复杂的多谐波故障特征（MFCs），这种多谐波特性使得传统的单一特征提取方法难以全面反映故障状态，进而影响诊断精度。为此，Han等人提出了一种结合小波驱动技术和参数调整多稳SR模型的方法，用于在强噪声环境下检测多谐波故障特征；而Shi等人则开发了一种小波多尺度噪声辅助SR系统，以检测有色噪声环境中的多频弱信号。在近期的发展中，Qiao等人引入了SR阵列结构，以增强非均匀速度环境下的弱MFCs信号。Zhang等人进一步将GSR阵列与COT结合，实现了通过主动能量转移增强弱MFCs信号的检测效果。然而，他们的研究也表明，在复杂诊断环境中，GSR阵列往往需要多次独立试验以确保稳定的输出，这显著降低了诊断效率。这种现象主要源于GSR机制的随机调节特性，即相同的样本在多次试验中可能会表现出较大的输出差异。尽管如此，现有研究并未对如何控制GSR阵列的稳定性进行深入探讨。

虽然上述方法在一定程度上提升了故障特征的提取效果，但它们主要集中在信号增强和特征提取阶段，而将故障识别的任务交由后续的分析步骤，如频谱解读。这种后处理方式往往具有主观性，缺乏统一的决策标准，尤其在复杂故障模式或大规模数据环境下表现不佳。此外，工业环境中存在多种干扰源和变化的运行条件，即使经过信号增强，故障特征仍可能表现出较强的模糊性，给传统分析方法带来挑战。为了克服这些限制，提高诊断的自动化水平，研究人员逐渐将智能诊断策略与传统方法相结合。其中，深度学习（Deep Learning, DL）——特别是卷积神经网络（CNN）——在智能故障分类方面表现出极高的效果。此外，还提出了多种混合框架，其中SR方法用于信号增强，而CNN用于分类。例如，Wang等人表明，结合多参数优化的SR与CNN能够显著提升在噪声条件下的分类性能。为了利用CNN在图像模式识别方面的优势，研究人员提出了多种技术，将一维振动信号转换为二维图像，如连续小波变换（Continuous Wavelet Transform, CWT）、短时傅里叶变换（Short-Time Fourier Transform, STFT）等传统时间频率分析工具，以及近年来提出的基于图像的方法，如马尔可夫转移场（MTF）、递归图（Recurrence Plot, RP）和Gramian角域（Gramian Angular Field, GAF）。例如，Liu等人应用自适应SR进行噪声抑制，将增强后的信号转换为GAF图像，再通过CNN进行分类，从而在不同运行条件下实现高诊断精度。

尽管这些方法在一定程度上提升了故障诊断的效率和准确性，但在处理变量速条件下的低信噪比、多谐波故障信号时仍存在关键挑战。此外，复杂噪声环境对基于共振的增强机制产生了显著影响，进一步增加了故障诊断的难度。为此，本文提出了一种新的快速智能诊断框架，命名为RGSRA-MNN，专门用于变量速条件下的故障诊断。该框架的三个核心组成部分包括：用于增强多谐波故障特征的鲁棒GSR阵列（前端）、用于表示多谐波故障特征的MTF（中端）以及用于智能学习和分类的轻量级CNN（后端）。通过这三个阶段的协同工作，该框架在保持诊断精度的同时，也显著提升了计算效率，为复杂、数据密集型的工业故障诊断任务提供了实用且可扩展的解决方案。

为了验证该方法的有效性，本文在实验部分中采用了高性能的计算设备，包括搭载Intel Core Ultra 9 275HX处理器和NVIDIA RTX 5060 GPU（8GB VRAM）的系统，并使用Python 3.11.3和PyTorch 2.7.1进行实现。实验涵盖了原始信号和人工噪声降质信号两种条件，以全面评估该方法在不同环境下的表现。实验结果表明，该方法在原始信号上的平均分类准确率达到99.69%，即使在输入信噪比（Signal-to-Noise Ratio, SNR）降质超过9 dB的严重噪声环境下，仍能保持95.53%的高分类准确率，显著优于其他对比方法。此外，扩展验证进一步展示了该方法在参数转移性、噪声鲁棒性和复合故障识别方面的优越性，表明其在应对复杂、变量速旋转机械系统中的故障诊断挑战方面具有广阔的应用前景。

本文的研究成果不仅为变量速条件下的轴承故障诊断提供了新的思路，也为工业设备的智能化维护和监测开辟了新的方向。随着工业自动化和智能化水平的不断提升，对设备状态的实时监控和快速诊断需求日益增长。传统的诊断方法在面对复杂、非平稳信号时往往难以满足这些需求，而本文提出的RGSRA-MNN框架则通过多阶段的信号处理和智能分类，实现了对复杂故障特征的全面捕捉和准确识别。该方法在保持高诊断精度的同时，也显著降低了计算成本，使其更适用于实际工业环境中的大规模数据处理和实时应用。

在实际应用中，RGSRA-MNN框架能够有效应对由于设备运行速度变化带来的信号特性波动，同时在噪声干扰下保持较高的识别能力。该方法的鲁棒性主要体现在两个方面：一是通过优化GSR阵列的稳定性条件，确保在不同速度变化环境下都能获得稳定的信号增强效果；二是通过MTF图像的构建，将多谐波故障特征转化为结构化且具有判别性的图像表示，从而提升CNN分类的准确性。此外，轻量级CNN的设计使得整个诊断流程更加高效，减少了对计算资源的需求，提高了系统的实时性。

本文的研究还揭示了GSR阵列在实际应用中的一个重要问题，即其输出的随机性可能导致诊断效率的降低。为此，本文提出了一种新的评估指标——鲁棒故障特征增强（Robust Fault Feature Amplification, RFFA）指数，该指数能够指导系统优化，确保在满足稳定性条件的情况下获得最佳的信号增强效果。同时，通过引入多阶段的信号处理流程，本文的方法在保持高诊断精度的同时，也显著提升了计算效率，为复杂工业环境下的故障诊断提供了更可行的解决方案。

在工业领域，设备的运行条件往往具有高度的不确定性，因此，故障诊断方法需要具备良好的适应性和鲁棒性。本文提出的RGSRA-MNN框架在这一方面表现出色，能够有效应对变量速条件下的信号波动和噪声干扰，从而提升诊断的准确性和可靠性。此外，该方法在处理复合故障识别方面也具有优势，能够同时识别多种故障模式，为工业设备的综合故障诊断提供了新的工具。

综上所述，本文的研究为变量速条件下的轴承故障诊断提供了一种创新且高效的解决方案。通过结合GSR阵列、MTF和轻量级CNN，该方法在信号增强、特征表示和智能分类三个阶段实现了协同优化，确保了在复杂环境下的高诊断精度。实验结果进一步验证了该方法在参数转移性、噪声鲁棒性和复合故障识别方面的优越性，表明其在应对复杂、数据密集型工业故障诊断任务时具有广泛的应用前景。未来的研究可以进一步探索该方法在其他类型机械故障诊断中的适用性，以及如何在实际工业系统中实现更高效的部署和应用。