基于概率神经网络与决策级信息融合的机械系统可信协同故障诊断研究

针对机械系统故障诊断中数据分布变化和噪声干扰导致的AI模型可靠性问题，研究人员提出了一种融合多尺度概率神经网络(PNN)和不确定性量化(UQ)的可信智能诊断(TID)模型。通过三种UQ决策融合策略，显著提升了齿轮箱等复杂机械系统的诊断准确性，在风电齿轮箱实测数据中实现误报率降低和诊断可靠性提升，为工业PHM系统提供了创新解决方案。

　　

在清洁能源转型的浪潮中，风电作为最具潜力的可再生能源之一，其核心设备风力涡轮机的可靠性直接关系到能源系统的稳定运行。然而，这些由齿轮箱、轴承等精密部件组成的"风车巨人"，长期承受着复杂交变载荷的考验。传统维护方式虽能延长设备寿命，却伴随着高昂的运维成本，而基于人工智能的预测性维护技术又面临着数据分布偏移、噪声干扰带来的可靠性挑战——当风速变化导致转速波动时，振动信号的特征分布会发生显著改变，使得AI模型如同"雾里看花"，难以做出准确判断。

针对这一工业痛点，国内研究团队在《Journal of Industrial Information Integration》发表创新成果，提出可信智能诊断(TID)模型。该研究创造性地将多尺度特征提取与贝叶斯深度学习相结合，通过概率神经网络(PNN)捕捉振动信号的时频特征，并开发三种基于不确定性量化(UQ)的决策融合模块，使诊断系统具备"自知之明"，能够区分已知故障模式和未知异常状态。实验证明，该方法在齿轮箱故障数据集上实现99%以上的诊断准确率，在风电实际工况中将误报率降低50%以上。

关键技术包括：1)多尺度特征提取器通过不同尺度的平均池化处理原始振动信号；2)并行贝叶斯神经网络(BDNN)架构，采用蒙特卡洛(MC)dropout进行不确定性估计；3)三种决策融合策略：基于UQ的硬投票、软投票和贝叶斯因果推理；4)协作诊断框架通过1.5倍四分位距(IQR)阈值识别分布外(OOD)样本。实验数据涵盖实验室齿轮箱数据集、美国国家可再生能源实验室(NREL)风电监测数据和航空发动机实测数据。

研究结果显示：

1. 不确定性量化分析：通过概率密度函数(PDF)验证，TID模型对已知故障的认知不确定性(EU)集中在0.1以下，而对OOD样本的EU值显著升高至0.4-0.6区间，形成明显区分。
2. 抗噪性能比较：在-10dB低信噪比条件下，TID-Soft-Vote保持60%以上准确率，显著优于传统卷积神经网络(ConvNet)的45%。
3. 决策融合机制：软投票策略在齿轮箱故障分类中达到99.75%的F1值，比直接特征融合提升5个百分点。
4. 协作诊断效果：通过二级TID模型接力诊断，将需要人工复核的OOD样本从308例减少到114例。

这项研究的重要意义在于：首次将不确定性量化与多尺度特征融合系统性地应用于机械故障诊断领域，构建了具有"故障自知力"的智能诊断系统。就像给设备装上了"神经末梢"，不仅能识别已知故障，还能感知未知异常，为工业PHM系统提供了可靠性保障。特别是在风电这类维护成本高昂的领域，该方法可减少非计划停机带来的经济损失，单个风场年均可节约运维成本约20万元。未来，该技术框架可扩展至航空发动机、高铁轴承等关键设备的健康管理，推动智能制造向更高可靠性迈进。