基于可迁移集成残差收缩网络与自适应代价敏感学习的混合噪声条件下轴承故障诊断

《Neurocomputing》：Bearing fault diagnosis under mixed noise conditions via transferable ensemble residual shrinkage network and adaptive cost-sensitive learning

　　摘要近年来，各种故障诊断方法被开发出来以应对数据噪声。然而，工作条件变化、随机噪声等因素导致不同样本之间的信噪比不一致，从而造成诊断结果不理想。因此，本文提出了一种基于可迁移集成残差收缩网络（TERSN）和自适应代价敏感学习（ACSL）的混合噪声条件下轴承故障诊断方法。TERSN的核心是一种可迁移集成算法，该算法根据样本训练难度的不同水平动态调整训练样本的权重，确保在训练过程中对误分类样本给予更多关注。更新后的权重用于构建自适应加权交叉熵损失函数以支持ACSL，使TERSN的基础分类器能够专注于噪声水平较高的样本，从而有效降低混合噪声的影响。TERSN的基础分类器采用带有改进的选择性核卷积模块（ISKCM）和全局参数化整流线性单元的抗噪残差卷积网络，其中ISKCM提高了混合噪声条件下的诊断性能。实验验证表明，所提出的方法在混合噪声条件下的故障诊断中优于对比方法。具体而言，所提出方法在两个轴承数据集上的诊断准确率分别为96.18%和92.67%，分别比两个数据集上最佳对比方法（93.84%和90.27%）高出2.34%和2.40%。此外，所提出方法在齿轮箱数据集上的泛化性能也得到了进一步验证。引言由于工作环境恶劣，机械设备故障不可避免，导致巨大的经济损失和人员伤亡[1]。预测与健康管理（PHM）对于提高设备可靠性至关重要[2]。作为PHM的一项重要技术，故障诊断能够识别机械中发生的故障，并为后续维护决策提供故障信息[3]。轴承是机械设备中的关键部件，由于高温、材料老化、脉动载荷等因素容易失效[4]。轴承故障会导致机械意外故障和昂贵的停机时间[5]。有效且及时的轴承故障诊断可以确保设备安全[6]并降低维护成本[7]。因此，轴承故障诊断方法的研究至关重要。常见的故障诊断方法大致可分为基于模型的方法和基于数据的方法[8]、[9]。随着传感器技术的发展，可以方便地采集大量工业数据。互联网的发展促进了这些数据的存储和传输，推动了基于数据的故障诊断方法的应用[10]。许多深度学习（DL）模型，如卷积神经网络（CNN）[11]、循环神经网络[12]、自编码器[13]和深度信念网络[14]，已被广泛应用于故障诊断。这些方法已证明其具有有效的诊断性能。然而，由于轴承的工作环境恶劣且复杂，采集的数据中通常存在强噪声[15]，而许多现有方法忽视了这一问题。数据噪声可能会淹没有价值的故障特征[16]、[17]，并阻碍深度学习模型的特征提取能力，导致诊断性能不佳[18]。因此，研究能够在噪声环境中有效工作的满意诊断方法非常重要。为了解决上述问题，已开发出许多有效方法以减少数据噪声对故障诊断的影响，主要包括基于信号处理的方法和基于深度学习的方法。对于基于信号处理的方法，许多研究人员经常利用小波阈值去噪方法来处理数据中的噪声。例如，Kong等人[19]提出了一种基于基于S型加速系数的混沌动态权重粒子群优化（SBAC-CDWPSO）的自适应指数小波阈值去噪方法。然而，这些方法需要大量的劳动力成本和专业知识，自动化程度较低。另一方面，基于深度学习的方法常被用于噪声环境下的故障诊断。例如，Si等人[20]提出了一种名为MSDC-DenseTCN的深度学习模型用于强噪声条件下的故障诊断。近年来，上述两类方法的结合已成为研究热点。代表性的组合方法是深度残差收缩网络（DRSN）[21]。随后，开发了更多组合方法，如全局多注意力DRSN（GMA-DRSN）[22]、带有全局参数化整流线性单元的DRSN（DRSN-GPReLU）[23]、改进的DRSN（IDRSN）[24]和去噪故障感知小波网络（DFAWNet）[17]。代表性的现有方法总结在表1中。然而，由于工作条件变化、随机噪声等因素，实际工业数据中的噪声分布不平衡，导致样本的信噪比（SNR）可能不同。大多数现有方法仅在多个固定SNR下实现了故障诊断，很少有研究考虑数据中存在的混合噪声。对于混合噪声条件下的故障诊断，噪声水平较高的样本更难用于训练深度学习模型。由于每个样本的训练难度不同，现有方法难以获得高的诊断准确率。因此，为了解决混合噪声问题，本文提出了一种基于TERSN和ACSL的混合噪声条件下轴承故障诊断方法。由于每个样本的训练难度水平不同，所提出的方法采用TERSN和ACSL使误分类样本在训练过程中受到更多关注。TERSN的核心是可迁移集成（TE）算法。具体而言，本文利用TE算法调整训练样本的权重，更新后的权重应用于自适应加权交叉熵损失（AWCEL）以支持ACSL。TERSN的基础分类器采用带有改进的选择性核卷积模块和全局参数化整流线性单元的DRSN（DRSN-IG），这是对DRSN-GPReLU的改进。具体而言，用本文提出的改进的选择性核卷积模块（ISKCM）替代DRSN-GPReLU的第一个卷积层，该模块是通过改进选择性核卷积提出的，且ISKCM的激活函数是全局参数化整流线性单元（GPReLU）模块。我们的源代码将在发表后在Github上发布。本研究具有以下贡献：● 所提出的方法能够有效解决故障诊断中的混合噪声挑战。具体而言，AWCEL函数与TE算法得到的样本权重协同工作，引导基础分类器在训练过程中优先考虑噪声水平较高的样本。这种有针对性的关注显著提高了混合噪声条件下的诊断准确率。此外，TE算法和AWCEL函数是可即插即用的。● 基础分类器的ISKCM采用具有不同卷积核大小的两个分支，利用不同核大小最适合处理不同信噪比样本的特性。通过自适应地结合不同核大小的优势，ISKCM提高了混合噪声条件下的诊断准确率。此外，ISKCM的激活函数为GPReLU模块，减少了数据噪声的影响。● 对比实验表明，所提出的方法在混合噪声条件下的轴承故障诊断中优于对比方法，消融研究证明了所提出方法中每个组件对提高诊断准确率的有效性。此外，所提出方法的泛化性能在齿轮箱数据集上得到了进一步验证。各章节摘要噪声环境下的故障诊断方法由于轴承的工作环境恶劣且复杂，采集的数据中通常存在强噪声[15]。数据噪声可能会淹没有价值的故障特征[16]、[17]，并阻碍深度学习模型的特征提取能力，降低许多现有方法中的诊断性能[18]。为减轻数据噪声的影响，研究人员通常使用基于信号处理的方法和基于深度学习的方法。对于基于信号处理的方法，许多……方法论为了解决故障诊断中的混合噪声问题，本文提出了一种基于TERSN和ACSL的混合噪声条件下故障诊断方法。首先，TERSN的核心是本文第3.1节中提出的TE算法。然后，ACSL的核心是本文第3.2节中提出的AWCEL函数。具体而言，训练样本的权重通过TE算法进行调整，更新后的权重用于AWCEL函数以支持ACSL。最后，……实验对比实验表明，所提出的方法在混合噪声条件下的性能优于对比方法，消融研究证明了每项贡献的有效性。然后，进行敏感性分析以研究稳定系数z和基础分类器数量对诊断性能的影响。接下来，样本权重的可视化分析表明，AWCEL函数和TE算法获得的样本权重使……结论本文开发了一种基于TERSN和ACSL的混合噪声条件下轴承故障诊断方法，解决了混合噪声问题。所提出的方法采用TE算法和AWCEL函数使DRSN-IG在训练过程中专注于噪声水平较高的样本。具体而言，样本权重根据每个样本不同的训练难度水平动态调整，更新后的权重用于所提出的AWCEL函数以支持ACSL。基础……作者贡献声明谭建荣：撰写——审阅与编辑、资源、资金获取。董子涵：可视化、调查、形式化分析。李瑞：撰写——审阅与编辑、撰写——初稿、调查、构思。刘辉：撰写——审阅与编辑、撰写——初稿、资金获取、构思。刘镇宇：指导、项目管理、资金获取、构思。钟鹏程：撰写——初稿、验证、软件、方法论，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，这些可能会影响本文所报告的工作。致谢本工作得到国家自然科学基金（U22A6001，52075480）、中国博士后科学基金特别资助项目（GZC20232286）和国家重点研发计划（2023YFB3306800）的资助。作者简介钟鹏程于2020年获得中国矿业大学（徐州）机械工程专业学士学位。目前他在浙江大学CAD&CG国家重点实验室攻读机械工程专业博士学位。他的当前研究兴趣包括故障诊断和数字孪生。钟鹏程|刘镇宇|刘辉|李瑞|董子涵|谭建荣