基于虹膜时频图视觉特征的聚类匹配:一种用于推进轴故障诊断的通用领域自适应方法
《Ocean Engineering》:Iris time-frequency map visual feature-based cluster matching: A universal domain adaptation method for propulsion shafting fault diagnosis
【字体:
大
中
小
】
时间:2026年02月03日
来源:Ocean Engineering 6.3
编辑推荐:
李聪悦|李国斌|邢鹏飞|崔德新|隋一金|张洪鹏
中国辽宁省大连市116026,大连海事大学海洋工程学院
摘要
推进轴是船舶动力系统中的关键组件。及时准确的故障诊断对于保障航行安全至关重要。领域自适应技术已被广泛应用于智能故障诊断中。然而,现有方法大多忽视了输入表示质
李聪悦|李国斌|邢鹏飞|崔德新|隋一金|张洪鹏
中国辽宁省大连市116026,大连海事大学海洋工程学院
摘要
推进轴是船舶动力系统中的关键组件。及时准确的故障诊断对于保障航行安全至关重要。领域自适应技术已被广泛应用于智能故障诊断中。然而,现有方法大多忽视了输入表示质量对诊断性能的显著影响,且仅适用于特定的领域自适应场景。在实际工程中,不同领域之间的标签空间关系往往不可获得,这限制了这些方法的应用范围。为解决这些问题,本研究提出了一种通用领域自适应方法——基于源领域类别锚点引导的聚类匹配网络。该方法以虹膜时频图作为输入,提升了信息的可读性。通过构建相似度准则对同类特征进行聚类,再将其与对应的类别锚点匹配。此外,还设计了类间表示解耦约束,以形成更具全局区分度的特征空间。同时,提出了基于距离的检测策略,用于在公共类别和私有类别之间建立可靠的决策边界。在推进轴数据集上的实验结果表明,该方法在处理涉及领域和类别变化的诊断任务时具有优异性能,优于其他现有先进方法。通过梯度加权类激活映射进行的可视化分析表明,该网络的决策基于具有物理意义的证据,体现了可解释性与可迁移性之间的互补性。
引言
作为全球贸易的重要支柱,海运业正以极大的热情拥抱人工智能技术。新一代智能船舶有望重塑航运、物流及全球贸易的未来。推进轴是船舶动力的传输核心,其性能对推进效率与航行安全有着决定性影响(Lu等人,2025)。图1展示了推进轴的整体结构。精确的装配间隙加上来自多种内部和外部激励源的干扰,使得推进轴面临更高的故障风险。因此,应用智能诊断技术来保障推进轴的可靠性与安全性至关重要。
近年来,随着智能传感技术和大数据技术的快速发展,数据驱动的故障诊断方法已成为船舶智能运维领域的热点研究方向(Liu和Gan,2025;Patil等人,2024)。然而,在实际工程应用中,传统的深度学习方法受到两个因素的限制。首先,决策逻辑的不可透明性使得维护人员难以信任诊断模型(Decker等人,2023)。其次,这些方法缺乏即插即用功能,难以在新运营环境中有效部署(Kavianpour等人,2024)。当不同领域之间存在显著的分布差异时,即所谓的领域偏移,这些方法的泛化能力会严重下降。
为解决上述问题,许多研究人员在可解释人工智能(XAI)领域(Rabie和Sultan,2025)以及跨领域故障诊断领域(Chen等人,2025)开展了大量研究。在XAI研究中,可解释性可大致分为主动可解释性和事后可解释性。主动可解释性将先验知识纳入模型,在模型训练过程中施加可解释性约束(Gao等人,2025)。典型例子包括基于物理原理的神经网络(Borghesani等人,2023;Zhong等人,2025)和小波卷积方法(Wang等人,2025;Peng等人,2025)。事后可解释性则侧重于根据诊断结果对模型的学习行为进行归因,以提升理解程度(Ca??o等人,2025),例如梯度加权类激活映射(Grad-CAM)(Yu等人,2024;Hu等人,2025)、局部可解释性方法(Li等人,2024a,Li等人,2024b)以及决策边界分析方法(Gwak等人,2023)。
与此同时,领域自适应算法也为跨领域诊断提供了有效的解决方案。其核心原理是通过最小化源领域与目标领域之间的分布差异,从而帮助学习出具有高度可迁移性和区分度的特征(Xia等人,2025)。近期有研究提出了多种领域自适应故障诊断方法。根据不同的诊断场景,这些方法通常被分为四类:闭集领域自适应(CDA)、开集领域自适应(ODA)、部分集领域自适应(PDA)以及开-部分集领域自适应(OPDA),如图2所示。
CDA是最早也是研究最为深入的诊断场景。例如,Lin等人(2025a、2025b)提出了一种无监督领域自适应网络,利用最大均值差异度量(MMD)来减少不同领域间的分布差异。He等人(2026)则基于轻量级残差网络提出了一种无监督诊断方法,该方法结合了MMD与对抗训练策略,以减少不同领域间的分布差异,从而实现滚动轴承的故障诊断。Yu等人(2025)设计了基于领域对抗训练的网络,成功实现了不同尺寸螺旋桨的故障诊断。考虑到不同领域通常无法共享相同的标签空间,研究人员陆续开发出了更为灵活的领域自适应策略。具体而言,PDA策略(Zhou等人,2025)适用于目标数据仅为源领域子集的场景,它通过防止目标样本与源领域中的私有类别错误对应,有效降低了负面迁移风险。相比之下,ODA方法(Mei等人,2024)则针对目标数据包含源领域中不存在的未见类别的情况,它能够在保持对共享类别的可靠识别的同时,准确检测目标领域的私有类别。与前两种方法不同,OPDA框架(Shao等人,2025)则用于处理更为复杂的情况,即源领域和目标领域虽有一些共同类别,但每个领域也拥有自身特有的(私有)类别。作为一种结合了ODA与PDA特性的混合方法,OPDA为现实世界中的跨领域故障诊断提供了更为通用的解决方案。
显然,关于可迁移性与可解释性的研究往往将二者视为独立的议题,这忽略了它们之间的内在联系——可解释性正是可迁移性的基础。此外,上述诊断方法通常都是为特定场景设计的。在实际应用中,由于缺乏带标签的目标数据,不同领域之间的标签空间关系往往不明确,这使得选择合适的领域自适应策略变得十分复杂。因此,智能诊断模型不仅要解决分布差异问题,还要应对类别变化带来的不确定性,这一问题被称为UniDA问题(C.-Y. Lin等人,2025a,Lin等人,2025b)。在UniDA研究方面已取得了一定进展。Kang等人(2024)提出了一种基于对比学习的UniDA网络,该网络引入了源领域类别加权机制,以减少领域分布差异和类别缺口。Ren等人(2025)则利用高斯混合模型生成目标领域的伪标签,并通过投票策略识别目标数据中的公共类别与私有类别。Dong等人(2024)提出了一种基于超球面的UniDA方法,该方法将公共类别投影到超球面表面,而超球面中心则表示目标领域的私有类别。Zhang等人(2021)在对抗训练框架中引入了混合加权策略,有效解决了旋转电机领域的UniDA问题。类似地,Qian等人(2025)提出了一种自适应中间类别分布机制,用于协调全局分布与类别级分布,从而实现了行星齿轮箱的故障诊断。尽管取得了这些进展,目前主流的UniDA方法在识别目标领域中的未知样本时仍存在性能不足的问题(Ma等人,2023;Wu等人,2025)。为区分公共类别与私有类别,人们通常需要设计新的判定标准(Sun等人,2025)或引入额外的判别机制(Chang等人,2025)。例如,可通过阈值标准过滤公共类别样本(Lu等人,2023),而所有未知故障类型则被统一归为单一的私有类别,缺乏语义上的区分。这类粗粒度的策略无法充分利用目标数据中丰富的结构信息,因此私有样本的聚类可能呈现较高的分散性。目标数据学习到的特征缺乏类间区分度,进而增加了样本误分类的风险。
此外,大多数研究都集中在通过改进网络架构和设计先进的损失函数——即归纳偏差和学习偏差——来提升模型的泛化能力(Kang等人,2025)。然而,这些研究忽视了观测偏差对诊断性能的显著影响(更优质的输入表示能够在更低成本下获得更好效果)。推进轴的工作环境极为复杂多变,振动信号具有很强的非线性特征。仅依靠时域或频域特征,难以全面准确地描述系统的状态信息,这会影响分类的精度与稳定性。时频分析能够有效利用时频信息中的空间相关性,提升模型对局部特征及整体演化趋势的感知能力(Jia等人,2025),已成为分析非平稳信号动态特性的重要工具(Ma等人,2024)。众多时频分析方法已被广泛应用于故障诊断领域(Li等人,2025a、2025b;Dong等人,2025),包括短时傅里叶变换(STFT)(Lv等人,2025)、小波变换(Zaman等人,2025)、自适应线性 chirplet变换(Guan和Feng,2022)、同步挤压变换(Yu和Zhao,2025)以及广义同步提取变换(Bao等人,2025)。每种方法在捕捉时频信息方面都有其独特优势。然而,要实现可靠的跨领域诊断,不仅需要对原始信号中的时频信息进行系统化的表征,还需要保证方法的客观性与稳定性。传统的时频分析方法通常使用复杂度较低的函数来描述非平稳信号,缺乏实现精准故障识别所需的特异性,这不利于分离低频稳态成分和提取高频瞬变成分,最终会导致语义信息的失真。同时,随着共享类别比例的降低,诊断任务的复杂性也在上升。因此,构建更加全面且层次分明的特征表示变得十分必要。受人类虹膜独特生物特征的启发,本文提出了一种新的时频分析方法——虹膜图。该方法能够更高效地捕捉信号的周期性特征与瞬变特征(Zhivomirov,2018)。通过极坐标环形拓扑重构时频空间,信号的时频特征可以被映射为更加结构化且紧凑的图案(Alqudah和Alqudah,2022),这有助于网络更高效地感知和解读视觉信息(Zyout等人,2023)。在不确定性诊断场景中,该方法尤其能提升特征表征能力,有效支持实例级对齐及私有样本的检测。
为解决这些问题,本研究结合虹膜图,提出了基于源领域类别锚点引导的聚类匹配网络。在推进轴故障诊断中,关键在于识别不同阶段的不对中状态。因为不同的不对中状态(即不同的物理过程)直接决定了轴系运行的安全风险水平,进而影响维护决策的制定。轴承壳体的振动响应是准确识别推进轴不对中状态的关键依据。不同程度的不对中会在轴承壳体中产生不同的振动响应。在轻微不对中时,轴并未与轴承发生物理接触,但两者之间的油膜厚度会变得不均匀,此时轴承壳体的振动响应中包含偏心激励成分。随着不对中程度的加剧,轴与轴承之间会出现局部摩擦冲击故障,振动响应中则会出现接触激励成分。在严重不对中时,会出现全周长的摩擦冲击故障,其振动响应与前两种状态有明显区别。上述分析表明,不对中状态的改变可能导致不对中故障、摩擦冲击故障或不对中与摩擦冲击耦合故障,这是一种由不同物理机制引发的阶段性现象。每种机制产生的振动信号在调制模式、冲击特性以及频带能量方面存在显著差异,这些差异正是将它们分类为不同类别的基础。对于UniDA而言,最大的挑战在于处理目标领域中可能出现的未知类别。在本研究中,目标领域中可能出现的未知类别指的是随着轴系不对中状况恶化而产生的新故障模式。因此,本研究的主要目标并非识别某种抽象的未知标签,而是在各领域之间的标签关系不明确时,仍能精确区分那些具有不同物理意义的振动模式。此外,虹膜图为辨识上述物理差异提供了最佳的表示基础。极坐标变换将故障发生的相对时间位置(相位)信息转换为几何角度信息,这使得由不同物理机制引起的能量分布差异能够在几何拓扑结构中呈现为清晰可辨的视觉模式。所以,次要目标是系统地展示虹膜图的独特几何结构如何为模型提供更强的归纳偏差,从而引导其学习出更具区分度和可迁移性的特征表示。本研究的主要贡献可总结如下:(1)提出了一种名为虹膜图的新型时频分析技术。该方法能够精准刻画非平稳信号的低频成分,同时保留高频信息,从而使网络能够学习到可解释且具有通用性的表示形式;(2)设计了一种基于相似度的聚类匹配策略,用以充分挖掘目标数据中的潜在结构信息。同时,还构建了类别间表示损失函数,通过对不同类别施加方向约束,从而形成更清晰的决策边界;(3)制定了一个私有类别检测标准,该标准根据超球面上观察到的特征分布特性动态设定阈值。这一标准既具有确定性又具备适应性,且无需先验知识,显著提升了网络识别私有样本的能力。本文的其余部分结构如下:第2节详细介绍所提出的方法;第3节介绍故障实验并评估该方法的诊断性能;最后,第4节对全文进行总结。
输入表示质量优化
对于给定的信号x[m],函数w[m]被用来将信号分割成若干段,其定义如下:
xl[m]=x[m]w[m+lH]
其中l∈N表示帧索引,H∈N表示每帧之间的时间步长。通过对每个帧xl[m]应用离散傅里叶变换,可以得到双边谱:
X·[k,l]=Δ1M∑m=1Mxl[m]e?j2πmkK=1M∑m=1Mx[m]w[m+lH]e?j2πmkK
这里M∈N表示信号的采样点数,K∈N表示离散傅里叶变换的点数,k则表示指标。
实验装置与数据集描述
通过船舶推进轴系测试平台来验证所提出框架的诊断性能。为确保测试平台能够准确模拟实际船舶推进轴系的静态和动态特性,我们参考了不同类型海洋船舶的相关数据设计了该测试台。设计时考虑了质量比、惯性比、长径比以及动态特性等方面的相似性。
结论
为应对不确定性诊断场景中的挑战,本研究提出了基于虹膜时频图视觉特征的UniDA方法,用于船舶推进轴系故障诊断。具体而言,该方法通过测量和优化不同特征之间的语义相似度来实现目标数据的自监督聚类,随后再与对应的源领域类别锚点进行精确匹配。为进一步提升聚类质量,还采用了类别间表示方法。
CRediT作者贡献声明
李 Congyue:写作——审阅与编辑,写作——初稿撰写,软件,方法论,数据整理,概念构思。李国斌:写作——审阅与编辑,指导,项目管理,资金获取,概念构思。邢鹏飞:资源提供,资金获取。崔德新:写作——审阅与编辑,可视化,研究分析。隋一金:验证,数据整理。张洪鹏:资源提供,资金获取。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。
致谢
本研究得到了国家自然科学基金(项目编号52471311)、中国留学基金委奖学金项目(项目编号202506570017)以及国家海事技术与安全重点实验室青年人才培养计划(项目编号3132025807)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号