基于物理动机结构先验的耦合行星齿轮箱故障声阵列诊断：受控三维空间干扰下的多模态混合专家框架

《Applied Sciences》：Acoustic-Array Diagnosis of Coupled Planetary Gearbox Faults Under Controlled 3D Spatial Interference with Physically Motivated Structural Priors

　　

非接触式声阵列（acoustic array）为行星齿轮箱监测提供了一条互补途径，但多声源引入了空间模糊性与掩蔽效应。研究人员提出了一种面向16通道声信号、具有物理动机结构先验（physically motivated structural priors）的多模态混合专家框架（multi-modal mixture-of-experts framework, MM-MoE）。四种学习到的原型波形（learned prototype waveforms）替代了逐通道小波变换，一种适配的Vision Mamba编码器产生通道对齐的频谱嵌入（channel-aligned spectral embeddings）。波形分支对时间模式进行建模，一种由通道间频谱相似性学习得到的耦合先验（coupling prior）对跨模态注意力（cross-modal attention）施加偏置，任务感知专家路由（task-aware expert routing）支持场景解析与故障诊断的同时进行。试验台齿轮箱录音在半消声室内通过两只扬声器在受控位置、高度和声压级下重放。在五次训练运行中，MM-MoE在16类空间能量场景解析上达到89.4%的窗口级准确率，在16类耦合故障诊断上达到76.5%，联合精确匹配（joint exact match, JEM）为69.2%，比最强评估基线高13.4个百分点（95%置信区间：12.4–14.4）。对每条录音的窗口进行聚合可将JEM提升至87.1%。当源区域被排除在训练之外时，这些区域上的有序故障准确率为68.3%，而在已见区域上为75.5%。上述发现仅限于受控扬声器重放；仍需在运行中的机械装置上开展验证。

研究背景方面，可靠的状态监测对智能制造与工业安全至关重要，行星齿轮箱因高功率密度与承载能力被广泛应用于风力发电机、旋翼机传动系统等重载传动平台，但在重载与变速工况下其紧凑齿轮传动易发生点蚀、轮齿断裂及相关复合故障，造成代价高昂的停机与安全风险。多数基于振动的监测系统依赖接触式传感器，其空间信息有限且难以部署于不可达设备；机载声学麦克风阵列通过空间分离通道记录机器声音，提供了互补的感知途径，在有多台机器同时运行的工厂环境中具有价值。然而现实布局常引入垂直高度差、复杂三维干扰与强声学掩蔽，高度差改变传播延迟与通道间相位关系，竞争声源可掩蔽故障特征。对声阵列而言，设计挑战在于结合波形与时频（time–frequency, TF）信息，同时保持通道对齐并控制时频编码成本。交叉注意力可学习依赖输入的通道交互，显式耦合偏置是一种额外的架构选项；Vision Mamba提供高效的长程建模，各向异性块与双轴遍历使其适配声学时频图；由于两个所需输出共享参数，训练中可能相互竞争，这促使采用任务相关专家路由。为此，研究人员开展了本项研究，提出具有物理动机结构先验的MM-MoE框架，用于利用16通道声信号进行行星齿轮箱耦合故障诊断，并在基于受控重放的三维空间干扰数据集上评估，该数据集先由试验台采集真实行星齿轮箱故障录音，再通过扬声器在受控位置、高度与声压级下重放，任务要求在强掩蔽下同时进行空间能量场景解析与耦合故障诊断。该协议隔离了所关注的空间能量因素，并非在运行机械上的验证。框架结合三种结构思想：拓扑引导低秩连续小波变换（topology-guided low-rank continuous wavelet transform, TG-LR-CWT）将多通道声学窗口映射为少量原型时频表示，频谱–时间Vision Mamba（Spectral–Temporal Vision Mamba, ST-Vim）编码器保留脉冲与谐波几何结构；条件引导时间聚类模块（Condition-Guided Temporal Clustering Module, CG-TCM）从原始波形学习潜在信号自适应路由，频谱耦合通道聚类模块（Spectral-Coupling Channel Clustering Module, SC-CCM）在没有显式工况监督下估计软通道耦合先验；该学习先验对拓扑掩蔽交叉注意力（Topology-Masked Cross-Attention, TMCA）施加偏置，任务感知混合专家（Task-Aware Mixture-of-Experts, TA-MoE）解码器结合始终激活的共享专家与任务特定路由产生两个输出。这些选择受麦克风阵列设置与齿轮箱信号声学结构启发，但框架并不强加物理传播模型，研究将固定的、声学动机的设计选择与从数据学习的组件加以区分。研究结论为：本研究提出了MM-MoE，一种具有物理动机结构先验的多模态混合专家框架，用于从16通道声信号进行联合场景解析与耦合行星齿轮箱故障诊断，它结合了原型级时频编码、波形建模、对跨模态注意力施加偏置的学习通道耦合先验以及任务特定专家路由。所有结果均通过在一个半消声室内对试验台齿轮箱录音进行受控扬声器重放获得，而非在运行中的工业机械上。在这些条件下，MM-MoE取得89.4%与76.5%的场景与故障准确率以及69.2%的JEM，比最强评估基线高13.4个百分点（95% Welch置信区间：12.4–14.4；五次训练运行）。对每条录音的窗口进行聚合将JEM提升至87.1%。在被排除于训练的源区域上，有序故障准确率为68.3%，而在已见区域上为75.5%。四种原型仅需逐通道CWT运算量的25%与其延迟的40%，而JEM无显著损失。最大的消融增益来自耦合先验结合TMCA以及来自TA-MoE，学习到的耦合矩阵是任务自适应先验而非实测传播拓扑。由于验证仅限于受控重放，实际应用仍属潜在应用而非已证实应用，候选场景为机器与阵列布局稳定、接触式传感器难以安装的固定装置，此类使用需在运行机械上验证、安装特定的场景定义、相关健康状态的标注录音、告警准则与未知故障拒识，方法还需16个同步通道，其每409.6 ms窗口31.8 ms的延迟仅在实验用GPU上测得。未来工作应在运行机械上、在混响与异质工业干扰下以及在开集与跨站点设置中评估该框架。重要意义在于，该研究为受控三维空间干扰下的声阵列耦合故障诊断提供了融合原型级时频编码、学习通道耦合先验与任务感知专家路由的系统性框架，并通过联合精确匹配等指标揭示了空间能量解析与故障诊断联合建模的价值，同时明确界定了受控重放验证的适用边界，为后续在运行机械上的外推验证指明了方向。

研究人员为开展研究采用的主要关键技术方法包括：构建基于受控扬声器重放的三维空间干扰齿轮箱数据集，源录音来自单级行星齿轮箱在1500 rpm输入转速与10 N·m载荷下的试验台采集，太阳轮为完好或预制点蚀、裂纹、缺齿缺陷，每种健康状态记录六次独立60 s运行，16通道麦克风阵列以10 kHz采集混合声场，数据集含4种重放源区域组合、4种高度–强度源配置与16种耦合齿轮箱健康状态组合，共256种实验配置，每配置5条原始录音、每条分割为24个长度4096的非重叠窗口，最终含30720个分段样本，并采用按文件的时间序划分（文件1–3训练、文件4验证、文件5测试）；构建MM-MoE框架，含TG-LR-CWT原型投影、复连续小波变换相位感知时频图、共享ST-Vim编码器（各向异性重叠块与频率优先/时间优先双轴扫描）、通道提升、CG-TCM时间专家路由、基于rFFT通道幅度谱的SC-CCM软耦合先验、TMCA与TA-MoE解码；训练使用两个任务损失与辅助专家负载均衡项，并以树结构Parzen估计器进行30次仅验证集调参、五次独立运行评估。

研究结果方面，在实验设置与任务形式上，研究将基准表述为两个耦合的16类任务，即空间能量场景解析（识别重放源对区域及其高度–强度配置）与耦合故障诊断（对两条重放齿轮箱故障录音的联合健康状态分类），采用按文件的时间序划分以检验训练中已见配置的新录音，性能以各任务Top-1准确率与Macro-F1以及联合精确匹配JEM报告，结果为五次独立训练运行的均值与样本标准差。在与评估基线的比较中，传统频谱或小波特征JEM低于13%；单模态模型呈现互补的任务特征，波形基的DUET场景准确率74.5%但故障准确率58.7%，纯图像模型故障准确率最高66.8%但场景准确率至多55.6%；融合基线Standalone Plain CA与MC-ABDS的JEM分别为54.1%与55.8%；MM-MoE达到89.4%场景准确率、76.5%故障准确率与69.2% JEM。相对MC-ABDS，MM-MoE场景准确率提升10.9个百分点（95% Welch置信区间10.0–11.8；Holm校正后显著），JEM提升13.4个百分点（12.4–14.4）；相对Standalone Plain CA故障准确率提升8.0个百分点（6.9–9.1）；全部24项与八个基线的比较在Holm校正后仍显著，Macro-F1在场景解析上提升0.114、在故障诊断上提升0.089。JEM的含义为仅当两个输出均正确时窗口才计为联合精确匹配，相对MC-ABDS，JEM从55.8%升至69.2%，即至少一个输出错误的窗口比例从44.2%降至30.8%，相对减少约30%。在录音级评估中，对每条测试录音24个窗口的16类概率分别按任务进行软投票，MM-MoE达到96.1%场景准确率、89.8%故障准确率与87.1% JEM（录音级95%置信区间85.0–89.1%），而MC-ABDS为88.7%、79.7%与73.8%；聚合前六个窗口（2.46 s）即达全录音JEM的97.9%；采用同时重采样训练运行与测试录音的bootstrap，MM-MoE相对MC-ABDS的JEM差异在窗口级为13.4个百分点（95%置信区间10.5–16.4），在录音级为13.3个百分点（9.0–17.7）。在计算成本上，模型规模未匹配，总参数量范围为1.18至23.57 M；相对MC-ABDS，MM-MoE参数量多42.7%（13.76对9.64 M）、浮点运算多34.9%（6.38对4.73 G）、延迟多39.5%（每窗口31.8对22.8 ms），即为13.4个JEM点的增益增加9.0 ms延迟；MM-MoE活动参数量接近Standalone Plain CA（10.92对10.86 M）且JEM高15.1个百分点，但总参数量多26.7%、浮点运算多24.6%，故该比较亦非容量匹配；相对更大的ResNet-50，MM-MoE参数量少41.6%、延迟低66.6%。在空间能量模糊与掩蔽下的误差分析中，任务1要求联合解析源对区域、垂直高度与播放强度，基线的主要瓶颈是能量–高度分类而非仅水平定位，MC-ABDS仅位置错误率5.1%但仅能量/高度错误率13.5%，MM-MoE将总错误率降至10.6%、能量/高度错误降至6.6%，有序消融中最大场景准确率增量（6.8个百分点）出现在引入耦合先验与TMCA时（V5–V6），与学习通道关系有助于解析能量与高度相一致。在强声学掩蔽下的故障诊断中，比较有利条件（60 dB目标播放设置）与强掩蔽条件（40 dB目标与60 dB干扰设置），MC-ABDS的16类故障准确率从75.1%降至59.7%（下降15.4个百分点），而MM-MoE从79.2%降至73.8%（下降5.4个百分点；五次运行显著），MM-MoE优势从有利条件下的4.1个百分点增至强掩蔽下的14.1个百分点；按源解析的四健康状态分析显示MM-MoE准确率从88.5%降至81.5%，而MC-ABDS从84.0%降至68.0%，点蚀为受影响最大的故障、缺齿受影响最小，多数掩蔽条件错误为故障被误判为正常即漏检而非故障类型间混淆；在瞬态与谐波线索上，强掩蔽下扰动所有通道共有的相位使MM-MoE源级准确率从81.5%降至63.0%，而陷波啮合谐波梳使其降至75.0%，对MC-ABDS相应准确率为53.0%与62.0%（无扰动时为68.0%），故掩蔽条件决策更多依赖携带瞬态与通道间结构的相位与时间信息而非谐波幅值；在耦合先验的作用上，SC-CCM由每窗口幅度谱计算M，引入耦合先验与TMCA（V5–V6）在有利条件下提升源级准确率1.6个百分点、在强掩蔽下提升6.5个百分点，固定几何邻接介于两者之间（86.8%与76.0%），由于该步骤同时改变提升与注意力，增益归因于SC-CCM/TMCA组合配置；图像分支亦有贡献，掩蔽下TG-LR-CWT（K=4）损失5.4个百分点，接近逐通道CWT，而编码经主成分分析（principal component analysis, PCA）获得的单一波形的PCA-CWT损失8.6个百分点。在配置级泛化中，按源对区域进行四折留一区域实验（依次留出区域1–2、3–4、5–6、7–8），每折用其余192种配置的文件1–3训练（13824窗口）、文件4验证与检查点选择（4608窗口），归一化统计仅在训练文件上拟合，64种被排除配置的全部五个文件构成未见区域测试集（7680窗口），训练区域的文件5构成已见区域参考（4608窗口），MM-MoE与MC-ABDS各折五次从头训练；由于留出区域使16个场景类中的4个从训练中移除，全场景准确率与JEM不作为有意义的终点，故报告由原始头解码的三个终点，即有序故障对准确率（任务2准确率）、顺序不变故障对准确率（亦接受两源交换的预测对）与高度–强度准确率（对区域边缘化场景概率）；四折平均，MM-MoE有序故障准确率从已见区域的75.5%降至被排除区域的68.3%（下降7.2个百分点），MC-ABDS从66.2%降至56.8%（下降9.4个百分点），故MM-MoE在未见源位置上仍领先11.5个百分点；MM-MoE的顺序不变准确率从80.2%变为73.4%、高度–强度准确率从90.5%变为82.3%，四个留出区域间各终点的标准差约两个百分点。在与单任务及硬共享训练的比较中，独立训练的单任务模型达到84.5%场景与70.2%故障准确率，其由同一测试窗口上联合正确性（而非两个边缘准确率之积）计算的组合JEM为59.3%；硬共享多任务学习达到55.4% JEM，比单任务参考低3.9个百分点，MM-MoE达到69.2%；单任务与硬共享模型为独立训练、未配对的配置且非容量匹配，故该差距为描述性差异而非负迁移检验；内部消融中，采用共享前馈网络（feed-forward network, FFN）头的变体V6（85.3%场景、72.8%故障）已超过单任务准确率，将其共享头替换为TA-MoE（V6–V7）增加4.1与3.7个百分点。在专家路由上，路由概率显示场景解析最大权重出现在E1–E3、故障诊断在E5–E7，表明任务相关专家偏好，专家索引在独立训练运行间任意，故以每次运行内基于2048个测试窗口的Top-3选择置换不变统计评估稳定性；统计跨运行稳定，场景路由器归一化负载熵为某值、诊断路由器为另一值，两路由器所选负载间的Jensen–Shannon散度为某值nats，故两任务在每次运行中以不同方式使用专家库，熵在四个源区域组（0.807–0.818与0.855–0.867）与两种掩蔽条件下亦相近；每个路由器有一个偏好专家，分别占路由槽位的31.2%（场景）与26.8%（诊断），而均匀使用下为12.5%，其余选择分散于专家库，每次运行平均有41与48个不同选择集，任何运行中无专家获得少于1%的路由槽位，故最终检查点未观察到专家坍缩，辅助损失与始终激活的共享专家是旨在防止坍缩的设计要素，训练中的路由动态未作分析。在消融研究中，模块级消融沿有序双分支路径V3–V7进行并以单模态变体V1（时间）与V2（图像）为参考，V5即内部Plain CA使用内部双分支与共享FFN头及普通交叉注意力（与表3中Standalone Plain CA基线不同，两者准确率分别为78.5%/69.4%与76.2%/68.5%场景/故障）；无交互的双分支模型V3达到75.2%场景与67.5%故障准确率，接近各任务较优的单模态模型（V1场景74.5%、V2故障66.8%），拼接（V3–V4）增加若干百分点，普通交叉注意力（V4–V5）再增加若干百分点，引入耦合先验与TMCA（V5–V6）给出最大一步（场景/故障若干百分点），主要有利于场景识别，与通道关系对空间解析最具信息量相一致，将共享FFN头替换为TA-MoE（V6–V7）给出最均衡的一步并是故障诊断最大的一步，完整模型达到89.4%与76.5%，JEM从50.8%（V3）升至62.1%（V6）与69.2%（V7）；这些增量依赖已存在的组件及添加顺序，故非独立贡献，最后两步占该路径14.2个场景点中的10.9个与9.0个故障点中的7.1个，V5–V6在通道提升与注意力中同时引入SC-CCM先验因而一并评估SC-CCM与TMCA，V6–V7还将参数量从11.39 M增至13.76 M故未将架构与容量分离，因此解释为相对内部共享FFN配置的改进；仅V7有重复运行估计，两个最大步长相对其运行级标准差（0.5–0.6个百分点）较大，而前两个增量（0.7–1.7个百分点）接近运行间变异故未进一步解释。在图像分支编码策略上，比较MM-MoE骨干内的图像分支编码，PCA-CWT（A1）使用到单一主导波形的固定投影，K=1的LR-CWT变体（A3）省略拓扑细化，故这些参考与TG-LR-CWT的差异不止于原型数；TG-LR-CWT内K=4达到69.2% JEM，而K=8（两倍CWT运算）为69.3%、逐通道CWT（16次运算）为69.4%，两个差异均不显著（K=4减K=8为某百分点，95% Welch置信区间某至某；K=4减逐通道CWT为某百分点，某至某，均显著）；故在所评估的TG-LR-CWT设置中K=4是匹配逐通道准确率的最低成本设置，使用25%的CWT运算，其总成本更高，为逐通道浮点运算的42.8%（6.38对14.92 G）与延迟的40.5%（每窗口31.8对78.6 ms），因为时间分支、融合与任务头不随K缩小；研究将K=4作为当前16通道阵列的实用准确率–成本默认值，中间计数（K=2、K=3）未评估，优选计数对其他阵列或数据集可能不同，四种学习原型不被解释为物理上可识别的声学模态。在组件配置比较中，每个面板中完整配置在其备选之间达到最高故障准确率，例如学习耦合先验优于全注意力、随机稀疏掩码与固定几何邻接；由于这些配置并非设计为受控单因素比较，研究将面板视为描述性并以有序消融进行归因。在定性可解释性与表示分析中，TMCA先于任务特定路由器，故其注意力对给定输入由两任务共享，两个面板为注意力汇总而非单独的任务特定注意力图，通道索引不编码物理距离且M为学习任务自适应先验，故这些模式并非麦克风邻接、传播路径或噪声主导通道抑制的证据，此类解释需与实测几何或通道级信噪比比较；TA-MoE之后的任务特定表示中，t-SNE投影使用困惑度30、PCA初始化、自动学习率与1000次迭代，对按联合标签采样的至多3000个测试窗口（种子0–4）进行，路由面板看似更分离但t-SNE几何依赖投影设置，故研究在原始特征空间量化类分离，标准化、线性探针（λ=1）与10近邻（10-nearest-neighbor, 10-NN）分类器在训练特征上拟合并在留出测试录音上评估，余弦轮廓在原始坐标中计算，并以同深度共享FFN变体V6的表示作为距分类器邻近性的对照；自身任务线性探针准确率对z_s为91.0%、对z_d为80.2%，而Z为85.0%与72.5%、V6为86.5%与74.1%，自身任务轮廓（0.34与0.27）亦超过Z（0.18与0.12）与V6（0.23与0.16），路由后跨任务信息线性可及性大幅降低，故障准确率从Z上的72.5%降至z_s上的24.8%、场景准确率从85.0%降至z_d上的30.4%，故路由表示比共享特征与无路由的同深度表示更具任务特定性，由于其直接馈入任务头，研究将其解释为任务特定类分离而非物理上不同声学子空间或梯度冲突减少的证据。在验证范围与外部效度上，所有结果均在受控重放数据集上获得，重放允许同一记录源信号按规定位置、高度与水平呈现而与齿轮箱运行状态无关，用运行齿轮箱复现这些配置需在受控机械条件下安装多台设备；按文件划分分离了记录文件，但所有分区共享配置空间、重放装置、阵列与房间，分段级分离亦不使父录音或故障样本独立。适用局限包括：重放源与运行机械的差异，定向扬声器不同于通过壳体及附接结构辐射的齿轮箱，后者具有空间尺度与频率相关指向性，重放不重构通过支撑与基础的结构的传播或周围结构的再辐射，重放信号还经过原始记录链与扬声器响应，播放水平不复现运行声压级，此类差异可改变任务1所用通道间线索与任务2所用频谱与瞬态特征，源录音在单一转速（1500 rpm）与载荷（10 N·m）下进行，机加工缺陷不代表自然发展损伤的全部变异；运行机械的干扰，竞争源为第二条重放齿轮箱录音，工厂干扰还含电机、风扇、泵与冲击的宽带、音调与脉冲成分，共用支撑的机器可机械耦合，故掩蔽结果未量化对异质工厂噪声或机械耦合干扰的鲁棒性；混响，带反射地面的半消声室不代表混响工厂，额外反射会改变通道间时序与相位并抹糊瞬态，SC-CCM学习的通道关系在不同房间可能不同；未知与同时源，两个任务均为闭集，即四种区域对之一的两个已知源各具四种记录健康状态之一，模型无未知类拒识或源计数估计，故额外源、未见故障类型或单齿轮箱内多故障在验证范围之外；环境变异与硬件，阵列放置与朝向、麦克风响应、通道可用性与背景噪声未变化，通道故障或减少通道数未评估，四原型结果仅涉及图像分支内压缩，波形分支仍需全部16个同步通道，孔径约0.6 m、校准与10 kHz采样率（5 kHz奈奎斯特极限），任务1标签相对该装置定义并需为新装置重新定义；优化敏感性，结果使用固定损失权重，其敏感性未研究，路由统计刻画该设置下的最终检查点。总之，所有结果涉及一个消声室内的受控扬声器重放而非运行工业机械，所讨论应用为潜在而非已证实，外部验证需独立采集的运行机械数据、含未知或额外源的开集评估以及在设备、工况、阵列配置与站点间的测试，区域留出实验仅涉及当前设置内对被排除源位置的迁移。在讨论部分，研究总结了上述结果的意义与边界；结论部分已如上翻译，即MM-MoE在受控重放条件下取得89.4%与76.5%的场景与故障准确率及69.2% JEM，比最强评估基线高13.4个百分点，录音级聚合JEM达87.1%，被排除源区域上有序故障准确率68.3%对已见区域75.5%，四原型仅需逐通道CWT运算的25%与延迟的40%而JEM无显著损失，最大消融增益来自耦合先验结合TMCA与TA-MoE，学习耦合矩阵为任务自适应先验而非实测传播拓扑；由于验证限于受控重放，实际应用仍属潜在，候选场景为机器与阵列布局稳定、接触式传感器难以安装的固定装置，此类使用需在运行机械上验证、安装特定场景定义、相关健康状态标注录音、告警准则与未知故障拒识，方法还需16个同步通道，其每409.6 ms窗口31.8 ms延迟仅在实验用GPU上测得，未来工作应在运行机械上、在混响与异质工业干扰下以及在开集与跨站点设置中评估该框架。