谱峭度注意力网络(SKAN)：融合信号处理与深度学习的滚动轴承故障诊断新方法

为解决传统深度学习模型在滚动轴承(REB)故障诊断中泛化性差、特征可解释性不足的问题，韩国科研团队提出谱峭度注意力网络(SKAN)。该研究通过谱峭度(Spectral Kurtosis)引导的通道注意力机制，结合群卷积操作，实现了故障特征的物理意义提取与跨工况鲁棒诊断，并创新性提出SKAN-gram可视化方法。实验表明，SKAN在噪声干扰和小样本条件下显著优于传统方法，为工业设备智能运维提供了兼具高精度与可解释性的解决方案。

　　

在工业设备智能运维领域，滚动轴承(REB)故障诊断一直是个棘手难题。传统信号处理方法如高频共振技术(HFRT)和谱峭度分析(Spectral Kurtosis)虽能捕捉故障特征，但依赖专家经验且适应性差；而深度学习模型如1D-CNN虽能自动提取特征，却像"黑箱"一样难以解释，遇到训练数据未涵盖的工况时性能骤降。更糟的是，这些模型常会学习到一些与物理本质无关的伪特征，导致实际应用中"水土不服"。这种矛盾催生了一个关键科学问题：如何让深度学习模型既保持强大的特征学习能力，又能像信号处理专家一样"理解"故障的物理本质？

韩国科研团队在《Expert Systems with Applications》发表的这项研究给出了创新答案。他们开发的谱峭度注意力网络(SKAN)巧妙融合了信号处理与深度学习优势：一方面借鉴谱峭度的物理意义设计注意力机制，使模型能自主聚焦故障相关频段；另一方面通过群卷积实现故障特征的层级传递。研究采用CWRU、SNU和KAIST三个轴承试验台数据验证，涵盖变载荷、变速及时变转速等复杂工况，并特别测试了噪声干扰和小样本场景下的鲁棒性。

关键技术包括：1) 谱峭度引导的通道注意力机制，通过多频带滤波与kurtosis计算实现特征加权；2) 群卷积操作保持故障特征传输路径；3) 创新性SKAN-gram可视化方法，采用二叉树结构呈现诊断依据。

【背景知识】
研究首先梳理了REB故障诊断的两大技术路线：以McFadden提出的HFRT和Antoni发展的谱峭度为代表的信号处理方法，需要人工设计特征提取流程；而以1D-CNN为代表的深度学习方法虽能端到端诊断，但Park等学者发现其存在"特征漂移"问题——在不同工况下可能关注非物理相关特征。

【 Proposed method】
SKAN的核心创新是"物理约束下的自主学习"：

1. 谱峭度注意力层模拟信号处理专家的思维，通过可学习的带通滤波器组分解信号，计算各频段kurtosis值作为权重，使模型自动聚焦冲击特征明显的频段；
2. 分组卷积结构确保故障特征在神经网络层级间无损传输，避免传统CNN中特征稀释问题；
3. SKAN-gram将模型决策过程转化为类似Kurtogram的二维图谱，通过二叉树结构展示不同层级关注的频段及其物理意义。

【 Experimental validation】
在CWRU数据集上，SKAN在12种负载组合测试中平均准确率达98.7%，比1D-CNN高9.2%；在SNU变速工况下，其小样本(10%训练数据)性能下降仅3.5%，显著优于对比方法。噪声测试显示，当信噪比降至-4dB时，SKAN仍保持89.1%的准确率，得益于其对故障频段的物理认知。

【 Conclusion】
该研究实现了三大突破：1) 首次将谱峭度的物理指标转化为可训练的注意力机制；2) 创建了首个人工智能与信号处理"双语互通"的可视化工具SKAN-gram；3) 在噪声和小样本场景下验证了物理引导模型的优越性。这项工作为开发"白盒化"工业AI提供了新范式，其方法论可扩展至其他旋转机械故障诊断领域。正如研究者强调，SKAN的成功印证了"物理规律与数据驱动协同优化"将成为智能运维领域的必然趋势。