基于噪声关键层自适应(NCLA)与高阶空间交互网络的旋转机械故障诊断方法研究

为解决旋转机械故障诊断(FD)模型在噪声环境下鲁棒性差、可解释性不足的问题，研究人员提出噪声关键层自适应(NCLA)方法，通过噪声鲁棒性关键模块(NRC)定位噪声敏感层，结合递归门控小波卷积(WTConv)增强特征提取。实验表明该方法在强噪声下保持高精度，可视化关键层提升了模型透明度，为工业场景提供可靠解决方案。

　　

在现代工业体系中，旋转机械如轴承、齿轮箱等关键部件的健康状态直接影响设备安全。然而，实际工况中传感器采集的信号常被环境噪声污染，而现有深度学习故障诊断(FD)模型面临两大挑战：一是噪声干扰导致特征提取失真，二是模型决策过程如同"黑箱"缺乏可解释性。据统计，工业场景中噪声可使传统模型准确率下降30%以上，而缺乏透明度的诊断结果难以获得工程师信任。

河北某高校团队在《Engineering Applications of Artificial Intelligence》发表研究，提出噪声关键层自适应(NCLA)方法。该方法创新性地将噪声鲁棒性关键模块(NRC)与改进的高阶空间交互网络(Hornet)结合，通过三阶段优化策略——无噪声数据预训练、噪声数据关键层定位、参数插值优化，最终实现噪声环境下准确率提升15%以上，同时通过可视化技术揭示噪声对网络层的影响机制。

关键技术包括：1) 基于WTConv的递归门控卷积(gⁿConv)替代传统卷积，增强多尺度特征提取；2) NRC模块量化各层对噪声的敏感度；3) 采用Ottawa轴承数据集验证，对比10种主流方法。

【Hornet架构】
通过高阶空间交互与gⁿConv的融合，在保持Transformer类模型长程依赖捕捉能力的同时，计算效率提升40%。WTConv模块利用小波变换的时频局部化特性，有效分离噪声与故障特征。

【模型结构】
NCLA框架包含噪声适应和特征优化双路径。实验显示，在20dB强噪声下，其准确率仍达92.3%，较传统CNN提高18.7%。关键发现是：网络中间层（第4-6层）对噪声最敏感，NRC值比首尾层高2-3倍。

【实验验证】
Case1采用Ottawa轴承数据集，在0-30dB信噪比范围内，NCLA平均F1-score达0.914。特别地，针对复合故障（内圈+滚珠损伤），该方法召回率比最优基线高12.5%。

【结论】
该研究首次将关键层自适应理念引入机械故障诊断，通过NRC模块实现噪声影响的量化评估。创新点包括：1) 无噪声预训练+噪声微调的新范式；2) WTConv增强的Hornet架构；3) 可解释性-鲁棒性协同优化机制。实际意义在于：为工业设备维护提供高可信度诊断工具，模型决策过程可通过关键层热力图直观展示，有助于工程师快速定位故障源。

研究同时发现，当噪声超过35dB时模型性能出现陡降，这为后续研究指明改进方向。团队公开的代码框架已应用于风电齿轮箱监测系统，半年内误报率降低60%。