FDFNet：一种基于特征决策的双重融合网络，用于在不同转速条件下对旋转机械进行智能故障诊断

《Engineering Applications of Artificial Intelligence》：FDFNet: Feature-decision dual fusion network for intelligent fault diagnosis of rotating machinery under varying speed conditions

旋转机械故障诊断在变转速条件下面临挑战，现有方法因多传感器信息利用不足导致泛化能力受限。本文提出特征决策双融合网络（FDFNet），通过频率信息学习器全局-局部特征提取与交叉注意力机制融合，结合动态决策融合与自适应优化策略，有效提升诊断准确性和鲁棒性，实验验证在轴承与齿轮箱数据集上表现优异。

　　在现代工业中，旋转机械作为关键设备广泛应用于电力生产、制造加工、交通运输以及航空航天等多个领域。这些设备在运行过程中常常面临复杂的工况环境，如温度变化、负载波动以及速度变化等，其中速度变化是尤为常见的现象。特别是在设备启动、停机或负载突变时，速度的变化会导致监测信号呈现出强烈的非平稳性和非线性特征，这为故障诊断带来了极大的挑战。传统的故障诊断方法通常依赖于单一传感器数据，并且在面对速度变化时往往表现出较差的泛化能力和鲁棒性。因此，开发一种能够有效处理速度变化条件下的旋转机械故障诊断技术，具有重要的现实意义。

当前，针对旋转机械在速度变化条件下的故障诊断，研究者们主要采用两种思路：一种是基于时频分析的方法，另一种是基于时间序列模型的方法。前者通过分析信号的时频特性，能够更准确地捕捉信号频率成分随时间的变化趋势，从而识别出瞬态故障特征。例如，一些研究利用迭代自适应关键模态分解（IACMD）和迭代自适应Vold-Kalman滤波（IAVKF）等技术，实现了对行星齿轮箱和轴承等关键部件的故障诊断。后者则通过直接建模振动信号的时间依赖性，如构建稀疏线性参数变化自回归滑动平均（Spa LPV-ARMA）模型，从而提高对非平稳信号的建模能力。然而，无论是基于时频分析还是时间序列模型的方法，其诊断结果往往依赖于专家知识和人工设定的参数，这在实际工业应用中限制了其适应性和扩展性。

近年来，随着人工智能技术的发展，深度学习（Deep Learning, DL）在旋转机械故障诊断中展现出强大的潜力。深度学习方法能够通过端到端的方式，自动从原始传感器数据中学习和提取具有判别性的特征，从而提升诊断的准确性和鲁棒性。在恒定速度条件下，一些研究已经成功应用了深度残差网络、Transformer架构等方法，用于行星齿轮箱和电机的故障诊断。而在速度变化条件下，研究者们则尝试将非线性时频分析与深度学习相结合，例如，通过构建非线性时序循环卷积网络（DNOCNet）来缓解速度波动对信号特征提取的影响，或者利用多尺度卷积神经网络（MSCNN）来捕捉信号中更为复杂的特征。然而，尽管这些方法在一定程度上提升了诊断性能，它们仍然主要依赖于单一传感器的数据输入，难以全面反映设备的真实状态，且在面对速度变化时，其泛化能力仍然有限。

在实际生产过程中，大型旋转机械往往具有复杂的结构和多源激励因素，因此，单一传感器的数据不足以全面反映设备的运行状态。幸运的是，随着传感技术的进步，多传感器数据采集已成为可能，这使得研究人员可以利用多个传感器同时监测设备的不同物理状态，从而获取更加丰富的信息。然而，目前的多传感器融合方法仍然存在一些显著的局限性。一方面，它们主要关注时域或时频域的信息，忽略了频率域中蕴含的大量判别性特征；另一方面，它们往往忽视了多视角决策信息的融合，导致模型在面对不同工况时的适应性和鲁棒性不足。因此，如何在多传感器数据中有效地提取和融合频率域特征，并结合多视角的决策信息，成为提升旋转机械故障诊断性能的关键。

为了解决上述问题，本文提出了一种新的特征-决策双融合网络（Feature-Decision Dual Fusion Network, FDFNet），用于旋转机械在速度变化条件下的故障诊断。该方法主要包括两个核心组件：频率信息学习器（Frequency Information Learner, FIL）和决策动态集成（Decision Dynamic Ensemble, DDE）。FIL的主要作用是从每个传感器的信号中提取和融合具有判别性的频率域特征，从而生成一个全面的故障表示。DDE则负责将来自多模态传感器的初步分类决策进行集成，以提高最终诊断结果的稳定性和可靠性。通过将特征提取与决策集成过程有机结合，FDFNet能够在保持模型复杂度的同时，显著提升其对速度变化的适应能力和诊断性能。

在具体实现上，FDFNet首先对每个传感器信号进行频率信息学习，通过全局和局部特征编码器同时提取信号的全局和局部频率域特征。这些特征随后通过交叉注意力机制（Cross-Attention Mechanism）进行融合，生成每个传感器的初始分类决策。接下来，这些初始决策被输入到决策动态集成模块中，通过动态调整各传感器的决策权重，实现对最终诊断结果的优化。此外，为了进一步提升模型的泛化能力，本文还设计了一种自适应优化策略，在训练过程中灵活调节各传感器的损失权重，引导模型学习更具适应性的特征表示。

为了验证FDFNet的有效性，本文在轴承和齿轮箱数据集上进行了实验。实验结果表明，FDFNet在速度变化条件下能够实现更准确和更稳定的故障诊断，其性能显著优于现有的单一传感器方法和多传感器融合方法。特别是在面对非平稳信号和复杂工况时，FDFNet表现出更强的鲁棒性和泛化能力。这表明，通过引入频率信息学习和决策动态集成机制，FDFNet能够更全面地捕捉旋转机械在速度变化条件下的故障特征，从而提升诊断的准确性和可靠性。

此外，本文还探讨了多传感器融合在旋转机械故障诊断中的重要性。随着工业设备的复杂性不断增加，仅依赖单一传感器的数据已经无法满足实际应用的需求。多传感器融合技术能够通过整合不同传感器的监测信息，提高故障诊断的全面性和准确性。然而，现有的多传感器融合方法在特征提取和决策集成方面仍存在不足，主要体现在对频率域特征的利用不够充分，以及对多视角决策信息的融合方式较为单一。因此，本文提出的FDFNet不仅在特征提取方面引入了频率域的信息，还在决策集成过程中考虑了多视角的互补性，从而实现了更有效的故障诊断。

本文的研究成果为旋转机械在速度变化条件下的故障诊断提供了新的思路和方法。通过将频率信息学习与决策动态集成相结合，FDFNet能够在复杂工况下实现更准确和更稳定的故障识别。这不仅有助于提升工业设备的运行效率和安全性，也为智能化故障诊断技术的发展提供了理论支持和实践指导。未来的研究可以进一步探索FDFNet在其他类型的机械故障诊断中的应用，以及如何优化其在不同工况下的适应性和鲁棒性。同时，还可以结合更多的传感器类型和数据源，以提升诊断系统的全面性和准确性。

总的来说，本文提出的方法为解决旋转机械在速度变化条件下的故障诊断问题提供了一个新的解决方案。通过引入频率信息学习和决策动态集成机制，FDFNet能够在不依赖专家知识的情况下，自动从多传感器数据中提取具有判别性的特征，并生成可靠的分类决策。这一方法不仅提升了故障诊断的准确性和鲁棒性，还为实际工业应用提供了更高的灵活性和适应性。随着工业4.0和智能制造的不断发展，旋转机械的故障诊断技术将越来越受到重视，而FDFNet的提出则为这一领域的发展带来了新的机遇和挑战。