基于低秩自适应卷积网络的旋转机械齿轮箱故障诊断

《Engineering Science and Technology, an International Journal》：Fault diagnosis of rotating machinery gearboxes based on low-rank adaptive convolutional network

　　

传统故障诊断方法在从测量信号中提取时间特征以及在实际测量场景中实现抗噪声鲁棒性方面面临挑战。为解决这一问题，本文提出了一种基于低秩自适应（LoRA）卷积网络的轻量级复合故障诊断模型（TLCN）。具体而言，该模型通过多尺度膨胀卷积捕获振动信号的局部瞬态特征和全局周期模式，实现对关键信号特征的细粒度测量。研究人员采用LoRA矩阵分解技术高效微调卷积核，在保留测量特征表示完整性的同时减少参数冗余。此外，研究人员整合了分层采样和权重衰减策略以优化分类边界，提高了噪声测量环境中故障类别的可区分性。三个实验的结果表明，TLCN模型在测量精度和噪声容限方面实现了量化提升，展现出优越的泛化能力和鲁棒性。

一、研究背景与问题提出

旋转机械作为现代物流系统的核心设备，其运行状态直接关系到港口作业的效率和安全性。随着全球贸易量的急剧增长，港口设备长期处于高负荷、多工况的复杂环境中，齿轮箱和轴承等关键部件易因疲劳损伤发生渐进性失效，导致非计划停机和安全事故。齿轮动态响应对于齿轮几何形状和制造误差高度敏感，这些误差会进一步调制用于状态监测的振动信号，为基于振动信号的故障诊断带来了额外复杂性。绝大多数旋转机械故障与部件劣化相关，且故障特征在强噪声背景下呈现弱特征、时变性和类间重叠的特点，传统的阈值报警机制难以满足实时、准确诊断的要求。

现有故障诊断方法面临多重挑战：振动信号具有非平稳和多尺度特性，传统人工特征依赖先验知识且泛化能力有限；港口环境存在强电磁干扰和机械振动耦合噪声，导致特征空间类间可分性下降；现有深度学习模型参数量大，难以部署到边缘计算设备。传统信号处理与机器学习结合的框架虽具有较高可解释性，但特征工程与分类器设计相互解耦，难以实现端到端优化。标准卷积神经网络通过堆叠多层卷积核提取特征，但固定尺寸的卷积核难以适应振动信号中不同尺度的故障特征；Transformer架构虽能建模长距离依赖，但计算复杂度高，无法应用于实时诊断场景。

二、研究内容与核心贡献

针对上述问题，研究人员提出了低秩自适应卷积网络（TLCN）模型。该模型的主要贡献包括：设计多尺度膨胀卷积模块以动态调整感受野，增强对振动信号中瞬态冲击特征和周期模式的捕获能力；在网络中嵌入低秩自适应（LoRA）模块进行随机初始化端到端训练，仅优化低秩矩阵而非冻结预训练骨干权重，减少可训练参数并增强特征对测量噪声的鲁棒性；采用基于AdamW的解耦权重衰减正则化，通过约束LoRA低秩矩阵的参数幅度抑制模型更新过程中的参数振荡，缓解数据分布偏移对故障分类决策边界的不利影响；在三个不同噪声水平的实测数据集上验证了模型性能。

三、关键技术方法

研究人员采用的主要技术方法包括：多尺度膨胀卷积模块，通过不同膨胀率动态调整感受野以捕获振动信号的多尺度特征；LoRA矩阵分解技术，将卷积核权重更新表示为两个低秩矩阵的乘积，显著减少可训练参数；深度可分离卷积（DWSC），将标准卷积分解为深度卷积和逐点卷积以降低计算量；层归一化（LN）技术稳定训练过程；GELU激活函数提供自适应非线性变换能力；全局平均池化（GAP）压缩空间维度；AdamW优化器引入权重衰减机制平衡训练速度与泛化能力。实验使用了三个数据集：私有数据集（PD）采集自齿轮箱轴承座振动信号，采样频率12.8 kHz；东南大学（SEU）轴承公开数据集，采样频率5.12 kHz；北京工业大学（BUT）涡轮齿轮箱数据集，采样频率48 kHz。

四、研究结果

趋势评估：通过十次独立重复实验记录模型训练过程，第六次训练表现出最快的收敛特性，平均训练准确率达97.09%，而第三次测试结果出现显著下降，测试集准确率仅为96.0%，比最优结果低4个百分点。

模型验证与分析：训练损失曲线分析表明，仅三种模型在100次迭代内实现了损失值的稳定收敛。LoRA策略通过矩阵分解限制参数更新自由度，在减少计算量的同时避免过拟合，优化了损失下降的平滑性和效率。在PD和SEU数据集上，TLCN模型在准确率、召回率、F1分数和精确率四项指标上均表现最优；在BUT数据集上，MSCNN模型表现最佳。这一差异主要源于数据集特征维度的差异以及故障特征构成的不同，BUT数据集仅包含单一类型故障特征，而PD和SEU数据集涵盖复杂故障特征。混淆矩阵分析显示，TLCN模型在PD和SEU数据集上的正确分类率分别高达96%和99%，在BUT数据集上为97.6%，略低于MSCNN模型的98%。

鲁棒性评估：通过添加高斯噪声（信噪比0.1–0.3）构建扰动测试集，TLCN模型在PD和SEU数据集上表现出最优的噪声鲁棒性，分类性能随噪声强度增加而衰减但仍保持最佳表现。在BUT数据集上，由于数据特征维度差异，模型对噪声的敏感性显著增加。

消融研究：完整TLCN模型达到96%的最高准确率。移除LoRA模块后准确率骤降至75%，下降21个百分点，表明低秩自适应分支是模型判别能力的主要贡献者。移除膨胀卷积导致准确率降至95%，下降1个百分点，表明多尺度膨胀卷积在该数据集上提供了有限但不可忽视的增益。训练超参数如批大小、学习率和权重衰减的变化仅导致准确率的微小波动，表明模型对这些设置相对鲁棒。TLCN模型的可训练参数约占总参数的90%，显著低于同类模型，验证了模型设计的高效性。

五、结论

本研究旨在解决传统方法在旋转机械故障诊断中时间特征提取和噪声鲁棒性方面的局限性，提出了基于TLCN的轻量级诊断框架。该模型通过多尺度膨胀卷积结构分层捕获振动信号的局部瞬态特征和全局周期模式，利用LoRA矩阵分解技术高效微调卷积核参数，在提升模型性能的同时降低计算量。结合分层采样和权重衰减策略进一步优化分类边界，增强模型泛化能力。在三种不同特征的数据集上的实验结果表明，TLCN模型在多类别分类任务中表现出更优性能。该框架通过参数冻结与LoRA投影的协同设计，为旋转机械提供了兼具高诊断精度、强抗噪能力和低部署成本的智能运维解决方案，有效解决了工业场景中数据异构性和资源受限的双重约束问题。