面向异构多源信息的跨模态正交特征蒸馏齿轮故障诊断方法

《Information Fusion》：Cross-Modal Orthogonal Feature Distillation for Gear Fault Diagnosis with Heterogeneous Multi-Source Information

　　

• •
  构建一种用于齿轮箱故障诊断的多模态训练与仅振动部署框架。
• •
  提出CrossFuse对齐损失，将声学和磁电速度特征映射到共享空间。
• •
  设计基于正交投影的特征解耦方法，以减少冗余的跨模态信息。
• •
  提出相似度引导的蒸馏方法，自适应地将多模态知识迁移到振动分支。

引言

齿轮箱是旋转机械中不可或缺的组成部分，在确保工业设备的动力传输、运动控制和稳定运行方面发挥着至关重要的作用 [1]。然而，齿轮通常在恶劣条件下运行，例如重载、高速、强烈冲击以及复杂时变环境 [2]。在这些条件下，齿轮极易发生性能退化和故障，包括磨损、点蚀、断齿和裂纹 [3]。如果这些故障未能被及时发现，可能导致设备不稳定或停机，甚至严重安全事故，从而威胁生产可靠性和运行安全 [4]、[5]。随着工业互联网和智能制造的快速发展，来自多个传感器的大量监测数据为智能故障诊断提供了坚实的数据基础 [6]。然而，工业数据仍面临诸多挑战，例如强背景噪声、多源信号之间的异质性、单模态故障信息的冗余或不足，以及有效利用不同来源之间互补信息的困难。因此，开发一种能够充分利用异质多源信息并实现准确、鲁棒的齿轮故障识别的智能故障诊断方法已成为该领域的研究热点。

最初，齿轮故障诊断方法主要依赖专家经验和手工提取特征 [7]，常用方法包括小波变换 [8]、经验模态分解 [9]、频谱分析 [10] 和小波包分解 [11]。然而，这些方法通常需要大量的领域知识，在复杂工况下的适应性有限 [12]。为了提高诊断性能，引入了基于机器学习的方法 [13]。将手工提取的特征与分类器相结合，常用方法包括支持向量机 [14]、K近邻 [15]、决策树 [16] 和随机森林 [17]。然而，这些方法的有效性仍高度依赖于特征工程，限制了其在真实工业场景中的泛化能力和鲁棒性。近年来，基于深度学习的方法因其能够从监测信号中自动学习判别性故障表征而受到越来越多的关注，为智能齿轮故障诊断提供了更加鲁棒的解决方案 [18]。Fan等人 [19] 提出了一种基于图像表示、样本增强和模型优化的斜齿轮智能故障诊断方法，在小样本条件下实现了高精度诊断。Li等人 [20] 提出了一种用于齿轮箱故障诊断的迁移判别神经网络。该网络集成了分布对齐、度量学习和伪标签训练，以在标注数据有限时提高跨条件诊断性能。Liu和Wu [21] 提出了一种基于预训练大模型的多部件复合故障诊断方法，利用基于特征的样本选择和数据重建，从局部传感器数据实现准确的全局复合故障诊断。Tu等人 [22] 利用基于频谱图的特征表示、生成样本增强和多标签分类，在有限样本条件下实现了旋转机械的准确复合故障诊断。Gao等人 [23] 利用频率引导的循环频率估计和注意力增强卷积神经网络，实现了不同转速下退化齿轮的高效早期故障检测。Wang等人 [24] 提出了一种多源域特征决策双融合对抗迁移网络，以解决机械设备故障诊断中的跨域噪声问题。

基于单传感器数据的深度学习故障诊断方法在自动特征提取和诊断精度方面取得了显著进展。然而，在真实工业环境中，齿轮往往同时受到多个振动源的耦合效应和复杂噪声干扰 [25]、[26]。单一传感器无法全面准确地表征设备的实际运行状态。此外，如果传感器受到强噪声污染或故障，所采集的信号容易失真甚至失效。这会导致故障特征提取不准确，最终影响诊断结果的可靠性。Han等人 [6] 提出了一种结构感知的异质图Transformer，用于多模态和多工况场景下的故障诊断，集成了异质图建模和双引导注意力机制。Wang等人 [27] 提出了一种基于多模态多尺度多层融合象限熵的机械故障诊断模型，利用多模态信息融合和基于熵的状态表征，实现准确高效的小样本故障诊断。Zhang等人 [28] 提出了一种模态诊断混合Transformer，用于自适应故障诊断，集成了多模态特征学习、知识迁移和掩蔽信号建模，以在不同模态可用性场景下实现准确诊断。Zhang等人 [29] 开发了一种用于齿轮箱故障诊断的多模态跨域融合网络，利用振动信号和热图像来提高不同工况下的跨域诊断性能。Ying等人 [30] 提出了一种可信的多模态特征增强融合网络，用于故障诊断，结合声学和红外热成像数据，在低质量数据条件下提高诊断精度、噪声鲁棒性和融合可靠性。

现有的多模态故障诊断方法通过利用不同传感模态的互补信息来提高诊断精度和鲁棒性，相较于单传感器方法表现出显著优势。然而，当前研究在有效对齐异质模态特征、抑制冗余信息以及将多模态知识充分迁移至可部署的单模态分支方面仍面临局限性。为了解决这些问题，本文提出了一种跨模态正交特征蒸馏网络。具体而言，所提方法联合利用声学和磁电速度信号学习异质故障表征，并通过可学习映射网络和CrossFuse对齐损失将这些特征对齐到共享潜在空间。进一步引入基于正交投影的特征解耦策略，以增强互补信息并减少冗余。同时，设计了一种基于动态相似度的蒸馏学习方法，将精炼的多模态知识迁移到振动模式，从而实现更具判别力的故障诊断。

本文的贡献可总结如下：

• 1.
  本文提出了一种多模态辅助的单模态齿轮箱故障诊断方法，利用异质传感器信息在训练期间提高基于振动信号的诊断模型的判别能力。
• 2.
  为了弥合异质模态之间的语义差距，通过声学特征和磁电速度特征映射到共享潜在空间，构建了CrossFuse对齐机制。
• 3.
  提出了一种基于正交投影的特征解耦策略，以提高多模态表征，从而抑制冗余信息并保留互补的故障相关特征。
• 4.
  设计了一种动态相似度引导的蒸馏机制，以实现从多模态到振动分支的自适应知识迁移，从而提高振动分支的特征表征能力和故障诊断精度。

本文其余部分组织如下：第2节介绍本文提出的算法。第3节描述和讨论所提方法在数据集上获得的实验结果。第4节总结方法并展望齿轮箱故障诊断的未来发展方向。

章节摘要

方法

本节介绍所提的跨模态正交特征蒸馏算法。首先，使用声学和磁电速度信号对两个独立分支进行预训练，以学习各自模式下的故障表征能力。然后，冻结主干网络并将分类头替换为映射网络。CrossFuse对齐损失被设计用于将两个异质模式的特征映射到统一特征空间，

自建测试台数据集

本研究使用自建齿轮箱故障模拟测试台构建数据集。如图3a所示，测试台主要由三相交流变频电机、联轴器、传动齿轮轴、齿轮箱、磁粉扭矩转换器和传动轴支撑组成。信号采样频率为5.12 kHz。此外，设置了两种不同的工况进行数据采集，分别为880 rpm和1500 rpm。其中，仅有

结论

为了克服单传感器诊断表征能力的局限性以及在齿轮箱故障诊断中难以充分利用异质多传感器信息的问题，本文提出了一种跨模态正交特征蒸馏算法。所提方法在训练阶段联合利用声学和磁电速度信号挖掘跨模态故障信息，并通过共享潜在空间来缓解异质特征之间的语义偏差

CRediT作者贡献声明

李江椒：撰写 – 初稿、可视化、验证、软件、方法论、数据整理、概念化。 刘家良：可视化、验证、软件、方法论。 朱家齐：撰写 – 初稿、验证、软件、方法论。 孙明瑞：验证、监督、形式分析。 牛大鹏：验证、监督、方法论。 夏俊：撰写 – 审阅与编辑、验证。 江希卓：撰写 – 审阅与编辑、验证、监督、项目

利益冲突声明

作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文所报告的工作。

李江椒|刘家良|朱家齐|孙明瑞|牛大鹏|夏俊|江希卓