一种用于噪声环境下船舶推进轴系故障检测的动态稀疏变换器

《ISA Transactions》：A dynamic sparse transformer for fault detection of ship propulsion shaft system under noisy environments

　　

• •
  用于噪声条件下故障检测的动态稀疏Transformer。
• •
  十字形窗口注意力捕捉双向依赖关系并抑制噪声。
• •
  通过双路径标记实现内容感知的稀疏连接，最小化噪声干扰。
• •
  在不同噪声水平和多个数据集上验证了优异的准确率和鲁棒性。

引言

船舶推进轴系系统（SPSS）是海洋动力传输的关键部件，其故障将直接危及船舶安全、运行可靠性和能源效率[1]。如图1所示，SPSS具有结构复杂且高度精密的构造。由于长期暴露于恶劣的海洋环境和复杂的动态载荷之下，SPSS极易发生早期故障，包括不对中、裂纹和轴承磨损等。如果这些故障不能得到及时准确的检测，它们将迅速恶化为严重故障模式，例如轴断裂、轴承卡死或过度振动，可能导致推进力丧失、昂贵的维修费用、环境污染以及对船员安全的威胁。因此，开发可靠的SPSS故障检测方法不仅仅是维护问题，更是故障预防、海上安全、法规合规和船舶可持续运行的基本前提[2]。

振动信号因其高频响应和优异的动态特性而被广泛用于SPSS的状态监测。然而，其主要挑战在于易受噪声干扰（如机械噪声和水动力扰动），这严重降低了诊断精度。因此，噪声环境下的故障检测（FDUNE）仍然是一个持续存在且具有挑战性的问题[3]。

为了解决FDUNE问题，现有研究主要遵循两种策略：检测前信号去噪以及直接从受污染数据中提取深度学习特征。传统去噪方法可以增强故障特征，但往往严重依赖专家知识来配置阈值和分解参数，限制了其自动化和泛化能力。深度学习模型（包括CNN、RNN、DBN和自编码器）减少了人工特征工程的负担，但仍面临根本性的权衡：CNN和自编码器擅长局部模式提取，但全局感受野有限；RNN和DBN能够建模时间依赖关系，但在长高采样率振动信号上并行能力差且推理速度慢。近年来，Transformer架构在捕捉长程依赖关系方面展现出前景。然而，现有基于Transformer的FDUNE方法通常采用稠密注意力机制，不加区分地处理所有标记，忽略了故障相关特征的固有稀疏性。这往往导致冗余响应，降低了对微妙但关键的故障特征信号的敏感性。

这些局限性揭示了一个明确的研究空白：有效的SPSS FDUNE方法应同时做到（i）在无需手动调谐去噪参数的情况下抑制噪声，（ii）融合细粒度局部细节与全局上下文依赖，以及（iii）利用故障信息的稀疏性将计算集中在诊断相关区域。

针对这一空白，本文提出了一种动态稀疏Transformer（DSFormer）用于SPSS的高精度FDUNE。DSFormer首先通过短时傅里叶变换（STFT）将原始振动信号转换为多通道时频图。然后采用十字形窗口自注意力（CSWSA）机制捕捉垂直和水平方向的长程依赖关系，同时在正交条纹子空间中隔离噪声扩散。最后，动态稀疏（DynaSparse）模块利用双路径潜在标记和复合稀疏正则化构建内容感知的稀疏连接，抑制噪声主导的响应并紧凑聚合故障相关语义。具体而言，本文旨在：（i）在无需手动调谐去噪参数的情况下抑制噪声；（ii）融合细粒度局部细节与全局上下文依赖；（iii）利用故障相关特征的稀疏性将计算集中在诊断相关区域。

本文的主要贡献总结如下：

• 1)
  通过正交稀疏注意力实现噪声隔离的全局特征建模。与传统全局注意力不加区分地混合所有补丁中的噪声不同，我们设计了十字形窗口自注意力（CSWSA）机制，将注意力计算限制在正交垂直/水平条纹子空间中。这在物理上阻断了局部噪声的全局扩散，确保即使某个方向的条纹受到严重污染，正交方向的对应条纹仍能保留干净的结构性故障特征，从而实现不放大噪声的鲁棒全局表征。
• 2)
  通过层级稀疏精炼实现内容感知的语义压缩。为解决深层特征图中固有的冗余和过度平滑问题，我们引入了带有双路径可学习潜在标记（全局和局部）以及显式复合稀疏正则化的动态稀疏（DynaSparse）模块。这迫使模型自适应地忽略噪声主导的区域，紧凑聚合仅具有最强诊断意义的语义信息，大幅减少干扰同时提高计算效率。
• 3)
  全面的跨领域噪声鲁棒性验证。除标准的高斯噪声和脉冲噪声测试外，我们建立了一套严格的跨信噪比（SNR）域适应评估协议（10个适应场景，在一个噪声水平上训练并在另一个噪声水平上测试）。这超越了现有文献中通常仅在匹配噪声条件下进行评估的做法，证明DSFormer在严重的域偏移下始终维持>98%的准确率，并在SPSS、滚动轴承和齿轮箱数据集上验证了强大的泛化能力。

本文其余部分组织如下：第2节回顾相关工作。第3节详细介绍所提出的DSFormer架构。第4节展示实验案例与分析。第5节总结全文。

章节摘要

相关工作

本节从三个角度回顾相关文献：传统信号处理、深度学习方法以及基于Transformer的抗噪声故障诊断架构。

DSFormer用于SPSS FDUNE的框架

图2展示了DSFormer整体架构的示意图。其采用分层设计，包含信号转换（SC）模块、多个阶段以及依次排列的层归一化（LN）层、全局平均池化（GAP）层和全连接（FC）层。来自SPSS的原始振动信号样本首先在SC模块中被转换为尺寸为[$H$, $W$, $3]$]的二维时频图。这些时频图随后通过分层特征

实验平台与数据集描述

为评估所提出DSFormer的性能，实验在一个SPSS上开展。该数据集采集自一个按比例缩小的海洋推进轴系测试台，用于模拟推进轴部件的工作环境（见图6）。该测试台支持在不同故障场景下进行受控测试，从而系统评估不同的失效模式。其主要组成包括磁粉制动器、三个轴承座、联轴器和驱动

结论

本文提出了一种新颖的动态稀疏Transformer（DSFormer）用于噪声环境下船舶推进轴系系统（SPSS）的高精度故障检测。所提出的架构协同整合了两项核心创新：十字形窗口自注意力（CSWSA）机制和动态稀疏（DynaSparse）模块。CSWSA模块有效捕捉垂直和水平方向的长程依赖关系并抑制噪声干扰，而DynaSparse模块采用

利益冲突声明

作者声明不存在已知可能影响本文所报告工作的竞争财务利益或个人关系。

未引用参考文献

[21]

CRediT作者贡献声明

程怡伟：撰写 – 审阅与编辑、撰写 – 原稿撰写、软件、方法论、数据整理、概念构思。李紫荆：撰写 – 审阅与编辑、数据整理。李国强：验证、数据整理。吴军：指导、项目管理。

致谢

本研究得到了国家自然科学基金[62476259和52405567]、广东省基础与应用基础研究基金[2023A1515240022]以及中国地质大学（武汉）"地大学者"科研基金[项目编号：2021236]的支持。

程怡伟|李紫荆|李国强|吴军