《Neurocomputing》：A mixture-of-experts prior-posterior fusion framework for predicting the remaining useful life of aerospace high-speed bearings
编辑推荐：
针对航空高速轴承早期故障检测难、多模态数据融合差和模型可解释性弱等问题，本研究提出了一种混合先验-后验融合框架。该研究结合指数退化先验模型与双分支深度学习架构（DSA-TFT和ICB-ASB-N-BEATS），通过Moirai-MoE机制实现动态特征融合。实验表明，该方法在IMS和XJTU数据集上预测精度提升12%，RUL误差控制在±8%以内，显著优于现有方法，为高可靠性航空发动机运维提供了新思路。
在航空发动机和高端转子设备中，高速轴承犹如"心脏瓣膜"般关键，它们在高转速、重载荷和极端热应力条件下承担着支撑和引导的核心职能。这些精密部件的失效往往表现出多源耦合、演化突变和跨工况漂移等复杂特征，任何预测偏差都可能直接导致停机、任务中断甚至灾难性事故。然而，现有预测方法正面临三重挑战：传统数据驱动模型对早期微弱退化信号不敏感，往往需要显著退化才能稳定收敛；物理模型难以充分表征多物理场耦合的非线性退化机制；固定结构的多模态融合策略在负载/转速变化时容易失配，导致健康指标失真。
为突破这些瓶颈，西北工业大学团队在《Neurocomputing》发表的研究工作中，创新性地提出了混合先验-后验融合框架。该研究通过物理先验与数据后验的闭环交互，实现了航空高速轴承从早期故障检测到长期RUL预测的全周期精准监测。具体而言，研究团队构建了指数退化先验模型结合斜率显著性检测的早期预警机制，开发了DSA-TFT（动态稀疏注意力时序融合Transformer）与ICB-ASB-N-BEATS（交互卷积-自适应谱分支神经网络）双分支架构，并采用Moirai-MoE（专家混合）机制实现多模态数据自适应融合。
关键技术方法涵盖：基于IMS和XJTU轴承数据集的多源特征提取，包括振动信号、温度数据和润滑剂光谱分析；先验阶段的指数退化建模与统计显著性检验；后验阶段的动态稀疏注意力机制和自适应谱分解技术；以及通过专家混合网络实现的跨模态特征融合。实验采用10次独立试验的均值±标准差验证稳定性。
4.1. 研究框架概述
研究构建了物理先验与数据后验双向反馈的混合框架。先验阶段通过指数退化模型捕获润滑剂化学降解和材料疲劳的物理机制，后验阶段通过双分支网络处理高频振动和光谱特征。Moirai-MoE融合机制根据工况描述符动态路由专家，形成自校正闭环系统。
4.2. 先验物理退化模型
采用指数退化模型y(t)=Φ+exp(θ+βt+ε)，其中θ控制润滑剂降解速率，β表征材料疲劳演化。通过斜率显著性检验（p<0.05）实现早期故障检测，比传统阈值方法提前15%发出预警。
4.3. 后验双分支模型
DSA-TFT分支采用top-k稀疏注意力（k=0.3C）处理振动温度序列，ICB-ASB-N-BEATS分支通过交互卷积和自适应谱分析提取磨损颗粒特征。双分支输出通过门控网络加权融合，显著提升对切削磨粒和层状磨粒的识别能力。
4.4. Moirai-MoE融合机制
专家混合网络通过稀疏门控（Top-1）激活相关专家，动态整合振动谱与润滑剂化学特征。当OCM（油液状态监测）数据缺失时，系统自动重新归一化权重，保证模型鲁棒性。
4.5. 双路径分支细节
DSA-TFT模块采用4头注意力机制，隐藏层维度256；ICB-ASB模块使用Morlet小波基进行频域处理，在1-5kHz和5-10kHz频段分别设置注意力权重0.8和0.2。这种设计使模型在轴承健康期优先关注润滑剂指标，在退化期转向振动特征。
4.6. 闭环反馈机制
通过贝叶斯推理实时更新先验参数θ和β，确保物理模型与观测数据一致。当预测残差超过阈值时，系统自动调整ASB频带掩码和MoE权重，实现RUL单调性约束。
5.1. 先验算法实验验证
α-λ图显示模型在轴承全寿命周期保持稳定预测性能，置信区间控制在±20%以内。在退化点检测方面，相比传统方法提前323.3小时识别到失效前兆。
5.2. XJTU数据集实验结果
融合光谱特征后，模型R2达到0.91±0.007，RMSE降至3.8±0.20，较未融合光谱方法提升61.8%。在15种对比模型中，该方法在Score指标上以91分领先，较第二名BAPT模型（89分）优势明显。
5.3. IMS数据集实验结果
光谱特征融合使Set2测试集上的MAPE从28.4%降至10.5%，证明铁谱分析对早期微点蚀检测的关键作用。通过监测3.5kHz特征频率的球形磨粒振幅突变，实现了4.2dB的信噪比提升。
研究通过消融实验验证了各模块贡献：移除DSA注意力导致R2下降5.5%，移除ICB-ASB模块使MAE上升61.5%，证明多模块协同优化的必要性。可解释性分析表明，动态注意力热图能清晰标识振动拐点，专家权重分布直观显示不同退化阶段的主导模态。
该研究的创新价值在于首次实现了轴承退化物理机制与深度学习预测的闭环耦合。通过将润滑剂粘度退化、材料疲劳积累等物理参数显式嵌入模型，不仅将预测误差稳定在±8%以内，更解决了传统黑箱模型缺乏物理一致性的痛点。特别值得关注的是，模型在噪声环境下仅出现5%的性能衰减，显著优于对照模型的15%衰减率，这得益于ICB-ASB模块对信号中噪声分量的自适应滤波能力。
值得注意的是，该框架在工程落地方面仍存在优化空间。当前模型对润滑剂光谱数据的依赖性较强，在离线监测场景下可能影响实时性。作者建议后续研究可探索迁移学习技术，扩展模型到更多轴承型号和故障模式。此外，通过算子融合和INT8量化等技术优化计算效率，将使该框架更适用于机载边缘计算场景。
这项研究为推动预测性维护从"感知"到"认知"的跨越提供了重要技术路径。其建立的先验-后验融合范式，不仅适用于航空轴承寿命预测，还可拓展至风电主轴、高铁轴承等高端装备健康管理领域，为实现基于数字孪生的智能运维奠定了方法论基础。
