受控试验下滚动轴承多域振动特征提取与集成分类故障诊断及瞬时预后指数Ψ研究

《Array》：Multi-Domain Vibration Analysis and Ensemble Classification for Rolling Element Bearing Fault Diagnosis: A Controlled Laboratory Study with Explicit Validity Conditions

　　

： 研究人员针对滚动轴承故障诊断中实验室高准确率与工业现场泛化能力不足之间的鸿沟，开展了受控实验室条件下的多域振动分析与集成分类研究。研究从快时傅里叶变换（FFT）、小波包分解（WPD）与包络谱（Envelope Spectrum）三个域提取共计44维独立特征，并采用信息增益（IG）、极端梯度提升（XGBoost）增益与SHapley加性解释（SHAP）三类独立指标筛选最具判别力的特征。研究人员对比六种分类器，结合近似95%置信区间与经Holm–Bonferroni校正的McNemar检验进行统计验证；以谱峭度（Spectral Kurtosis）独立确认最优包络频带，并构建非累积的瞬时预后指数Ψ用于PRONOSTIA加速退化数据的运行至失效评估。通过Sobol全局敏感性分析量化特征对Ψ方差的贡献，并以经验回归替代与L10寿命理论缺乏物理依据的直接解析关联。研究明确给出有效性威胁与适用边界：所报精度为受数据划分泄漏影响的实验室上界，不代表现场部署性能。

论文解读

研究背景与问题提出

滚动_element轴承是工业旋转机械的核心部件，其意外失效会引发产线停机、连锁损伤甚至安全事故。过去三十年间，实验室故障分类器从传统机器学习演进到深度卷积与Transformer架构，公开数据集准确率常突破99%，但工业现场非计划失效比例并未同步下降。核心矛盾在于：实验室将故障处理为离散标签，现场则是多机制耦合的连续退化；单一分析域丢失时域或频域信息；分类器对比常缺失现代集成方法；预后指标多随时间单调累积，易产生虚警。为此，研究人员在明确声明局限的前提下，开展一项受控实验室研究，目标是把高准确率、物理可解释性与诚实的有效性边界同时呈现。

研究内容与结论概览

研究人员搭建定制试验台，以NACHI B7215角接触球轴承为对象，在500与1000 rpm两档转速下构造健康、内圈磨损、外圈松动、内圈松动与滚动体剥落五类状态，采集650段振动信号。通过多域特征工程与六类分类器对比，发现极端梯度提升（XGBoost）在受控随机划分下可达100%测试准确率；但经统计校正后，各分类器差异不显著。三种特征重要性指标一致指向谱均值（F1）、标准差（F5）与归一化峭度（F9），并可对应磨粒磨损、微动腐蚀与滚动接触疲劳的物理机制。研究人员进一步提出瞬时预后指数Ψ，在PRONOSTIA运行至失效数据上追踪退化轨迹，并以Sobol分析确认峭度主导Ψ波动。研究意义在于：不以“刷榜精度”误导工程判断，而是把诊断可解释性、预后非累积性与验证协议缺陷一并透明化。

主要关键技术方法

研究人员采用三类关键方法：其一，多域特征提取，涵盖FFT统计、Daubechies-10小波包分解能量比与基于希尔伯特变换的包络谱缺陷频率幅值，构成44维特征；其二，可解释机器学习流程，以IG、XGBoost增益与SHAP交叉印证关键特征，并对比J48决策树、Sugeno模糊系统、多层感知机（MLP）、XGBoost、一维卷积网络（1D-CNN）与无位置编码自注意力编码器；其三，统计与物理验证，使用分层交叉验证、McNemar检验配Holm–Bonferroni校正、谱峭度Kurtogram频带确认，以及PRONOSTIA公开加速退化数据集进行Ψ预后评估，样本队列来自自建台架与公开基准，无自然演化故障数据。

研究结果

3.1 分类性能（1000 rpm）

在1000 rpm测试集上，XGBoost取得100%准确率，MLP与自注意力编码器接近99%，1D-CNN约98.85%，J48与模糊系统略低。外圈松动（Fault 2）最难区分，常与内圈松动混淆，源于微动松动信号在F5维度重叠；浅剥落因冲击弱偶判为健康。经McNemar与Holm–Bonferroni校正，无配对差异显著，说明小测试集下不能断言某模型真优。

3.2 综合性能比较

六分类器在架构与输入表示上并不等价：树与模糊系统仅用3特征，神经网络用全44维，CNN用原始信号且含数据增强。因此表内数值只适合同协议横向参考，不能孤立解读为架构优劣。

3.3 特征域消融（未完成声明）

研究人员原计划对FFT、WPD、包络三域做消融，但因特征矩阵不可重建而未完成，明确不作为结果汇报，仅保留物理可解释论证。

3.4 CWRU跨数据集观察

XGBoost在CWRU基准零样本迁移得99.82%，但研究人员强调该结果来自清洗后公开数据、无域适配、几何与故障制备不同，仅为初步可迁移性证据。

3.5 谱峭度验证

Kurtogram独立确认3.5 kHz共振带合理；剥落状态谱峭度升至6.8，冲击特征显著，与模态敲击结论一致。

讨论与主体结论

研究人员指出：所报精度是随机划分下的上界，因连续信号切段导致样本相关、单试样每类仅一件，模型可能学到试样身份而非纯故障特征。剥落预警可由F9>2.0触发，微动松动可由F5/F1>1.5提示。Ψ为非累积指标，避免传统健康指数只增不减的虚警；Sobol显示F9贡献约55%，权重扰动影响小。剩余寿命改用经验校准RUL=a·exp(?b·Ψ)，放弃与L₁₀直接解析绑定。

结论翻译

研究人员得出六项核心结论：一，自建台架与多域44维特征可有效区分五类状态，关键特征收敛于F1、F5、F9；二，XGBoost实验室精度最高但统计不显著优于他者，自注意力相对MLP无收益；三，三类重要性指标一致，证明特征选择稳健；四，F1、F5、F9分别物理对应磨粒磨损、微动腐蚀与接触疲劳，桥接信号与材料退化；五，Ψ在离散状态与PRONOSTIA连续退化中均有效，峭度主导、权重鲁棒；六，Sugeno模糊系统虽精度稍低，但规则透明，适于维护决策可追溯场景。研究人员重申：所有结论受限于受控实验室边界，现场复合故障、变转速、自然演化退化与多轴承型号仍是待解前沿。

论文的核心边界已经明确，接下来可以选择一个方向继续深化：

设计防泄漏的轴承级分组验证方案

把多域特征工程改写成可复现代码框架

设计防泄漏的轴承级分组验证方案

把多域特征工程改写成可复现代码框架