编辑推荐：
工业中滚动轴承故障诊断面临难题，如模型跨域适应性差、决策过程不透明。研究人员开展基于时频图像语义特征的跨机故障诊断研究。提出新方法，经测试性能优异。该研究为工业智能故障诊断提供可靠方案，推动其实际应用。
在工业生产的大舞台上，滚动轴承就像是一台精密机器的 “幕后英雄”，虽不起眼，却至关重要。一旦它出现故障，整个生产流程都可能陷入混乱，造成巨大的经济损失。以往，人们主要依靠传统的信号处理方法来诊断滚动轴承的故障，像基于谱峭度的自适应滤波和包络谱分析等。这些方法在一定程度上发挥了作用，但随着工业智能化的飞速发展，它们的局限性也逐渐暴露出来。
与此同时，端到端的智能故障诊断技术在实验室里表现得十分出色，就像一颗闪耀的新星。可当要将其应用到实际工业场景中时，却遭遇了重重阻碍。一方面，不同场景下的数据分布差异巨大，这使得在一个场景中训练好的模型，到了另一个场景就 “水土不服”，难以准确诊断故障；另一方面，那些智能诊断模型大多是 “黑箱” 操作，其决策过程让人摸不着头脑。维修团队在进行维修或检查时，需要耗费大量的人力和物力，却对模型的诊断结果心里没底，这大大影响了智能诊断技术在工业中的推广应用。
为了攻克这些难题，让智能故障诊断技术真正在工业领域落地生根，来自未知研究机构的研究人员开展了一项极具意义的研究。他们提出了一种基于时频图像语义特征的可信跨机故障诊断新范式，相关成果发表在《Expert Systems with Applications》上。
研究人员在这项研究中运用了多种关键技术方法。首先，他们提出了强化连续小波变换（SCWT），通过改进连续小波变换（CWT）中滤波器组的构建方法，来获取信号的时频表示（TFR）。其次，设计了基于频率的正则化方法和基于统计的自适应非线性处理方法，用于特征增强和降噪。此外，还将计算机视觉领域的预训练模型嵌入到设计的网络中作为特征提取器，并利用类激活映射（CAM）来可视化模型决策过程 。
强化连续小波变换（SCWT）方法及优势分析
研究人员发现，现有的时频分析方法在故障诊断方面存在不足，无法有效分离低频平稳分量和保留高频分量。于是，他们提出了 SCWT。通过详细探讨使用复小波进行时频分析的原理，精心构建了 SCWT 的滤波器组，并深入分析了其在时频分析中的稳定性。结果表明，SCWT 能够精准捕捉低频分量，高效保留高频信息，为后续的故障诊断提供了更优质的数据基础。
提出的框架
基于 SCWT 获取的时频表示，研究人员构建了完整的轴承故障检测框架。在样本预处理环节，采用特定方法进行域对齐，确保模型能在不同机器上正常工作。在模型选择上，运用深度学习模型，并借助 CAM 技术增强诊断结果的可解释性。最终形成的这个框架，整合了各个环节的优势，为跨机故障诊断提供了有力支持。
实验验证与可追溯结果的可视化
研究人员通过一系列实验来验证新方法的性能。在实验前，他们明确了实验的基本设置信息。在对比方法上，选择了多种相关方法进行对照。在实施细节方面，详细规划了训练数据集和训练过程。在不同的检测任务中，如 CWRU 数据集上的机内转移检测和 MFPT 数据集上的机间转移检测，新方法都展现出了卓越的性能，诊断结果不仅准确，而且通过 CAM 技术可视化后，可解释性大大增强。
在这项研究中，研究人员提出的故障检测框架在包括跨机、跨采样频率、跨运行条件和跨传输路径等广泛的跨域测试任务中，都表现出了优于其他方法的性能。这充分证明了该研究的核心观点：滚动轴承故障的本质特征 —— 重复瞬态冲击现象，在不同场景下具有一致性，能够作为域泛化的可靠依据。
这项研究成果意义非凡。它为工业智能故障诊断领域开辟了新的道路，让智能诊断技术更加可靠、可解释。新提出的方法和框架，有效解决了传统方法和现有智能诊断技术存在的问题，极大地提高了跨机故障诊断的准确性和可信度。这不仅有助于降低工业生产中的维修成本和停机时间，还能推动工业智能化进程迈向新的高度，为实现更高效、更稳定的工业生产提供了坚实的技术保障。未来，随着研究的不断深入，有望在更多的故障诊断场景中得到应用和拓展，为工业领域带来更多的惊喜和变革。
