基于多模态信号与迁移学习的1D CNN轴承故障分类方法研究及其在变工况下的应用

本研究针对轴承故障诊断中单模态信号易受干扰、泛化能力不足的问题，提出了一种融合振动信号与电机相位电流的多模态1D CNN框架。研究人员通过特征级联(Late Fusion)策略整合多源信号特征，结合L2正则化使模型在基准工况下达到96%准确率；采用迁移学习(TL)策略实现三种变工况(转速900-1500 rpm、负载扭矩0.1-0.7 Nm、径向力400-1000 N)下的自适应诊断，最优模型(Model 2)准确率达92%-96%。该研究为工业设备智能运维提供了高精度、强泛化的解决方案。

　　

旋转机械是工业生产的核心设备，其可靠性直接关系到制造、能源等关键领域的安全运行。据统计，轴承故障占机械故障的40%-90%，而传统诊断方法存在两大痛点：单模态传感器（如仅依赖振动信号）易受噪声干扰导致漏检；现有深度学习模型在转速、负载等工况变化时性能急剧下降。针对这些问题，研究人员开展了一项突破性研究，成果发表在《Machine Learning with Applications》。

研究团队创新性地构建了多模态1D CNN框架，同步处理振动信号和双通道电机相位电流。技术路线包含三大核心：采用滑动窗口（窗口10,000点，步长5,000）对Paderborn大学数据集进行标准化处理；设计具有双卷积层（32/64滤波器）和最大池化的并行特征提取分支；通过特征级联(Late Fusion)和全连接层实现多源信息融合。迁移学习方面，对比了三种策略：Model 1仅微调全连接层，Model 2冻结首层卷积池化结构，Model 3保留特征提取层并替换分类器。

研究结果方面：

1. 基准模型性能：在1,500 rpm/0.7 Nm/1,000 N基准工况下，L2正则化使模型准确率从94%提升至96%，AUC值达0.9936-0.9980。混淆矩阵显示对外圈故障识别最佳（正确率95.8%）。
2. 多模态优势验证：融合特征信噪比(SNR)达56.46 dB，显著高于单模态信号（振动16.86 dB，电流30.92 dB），证明多源信号互补性。
3. 迁移学习效果：Model 2在变工况下表现最优，当转速降至900 rpm时仍保持92%准确率，而直接跨域测试模型仅40%。其训练时间（830秒）虽长于Model 3（183秒），但精度高出11个百分点。

讨论指出，该研究的工业价值体现在三方面：首先，多模态融合使诊断系统抗干扰能力提升3.3倍；其次，迁移学习策略将新工况适配时间缩短80%；最后，模型在XJTU-SY数据集泛化测试中达到98%准确率，证明架构普适性。作者建议未来可结合注意力机制优化特征权重分配，并探索边缘计算部署方案（如Jetson Xavier设备推断延迟仅0.15秒）。这项研究为工业4.0时代的预测性维护提供了可靠的技术路径。