一种在未见故障和可变运行条件下的广义零样本轴承故障诊断方法

《Expert Systems with Applications》：A Generalized Zero-Shot Bearing Fault Diagnosis Method Under Unseen Faults and Variable Operating Conditions

轴承故障智能诊断中零样本学习存在特定类别识别偏差与域偏移问题，本文提出TransZeroNet框架通过波let变换提取特征并构建差异量化门控机制，实现 seen类高精度诊断（99.25%-99.50%）与 unseen类自适应识别。实验表明该框架在HEFEI、HUST、CWRU三个基准数据集上有效克服了传统GZSL方法对特定故障模式的依赖限制。

　　

Jing Wang|Ning Li|Meng Zhou|Rong Su

华北理工大学电气与控制工程学院，北京，中国

摘要

轴承是机械系统中的关键部件，准确的轴承故障诊断对于实现智能制造至关重要。广义零样本学习（GZSL）作为一种识别未见故障类别的有前景的方法已经出现，但它仍然仅限于识别特定的未见类别，并且容易受到领域迁移的影响。为了解决这些挑战，本文提出了一种新的诊断框架TransZeroNet。该框架的核心是一种基于分布差异的门控机制。经过小波变换、特征提取和对齐后，已知类别的样本形成了紧凑的类别特定分布，而未见类别则与学习到的已知参考分布偏离。通过量化这种差异，所提出的门控机制可以可靠地区分已知和未见样本，并准确诊断已知故障。对于被门控为未见样本的情况，进一步应用无监督聚类算法进行识别。在三个基准数据集HEFEI、HUST和CWRU上进行了广泛的实验。结果表明，即使在少量样本的训练情况下，TransZeroNet也能实现99.25%、94.23%和99.50%的高且稳定的识别准确率。这些结果验证了TransZeroNet能够处理未见故障和可变操作条件。

引言

轴承是旋转机械中最关键的部件，它们通常需要在各种重负载和恶劣环境下连续运行（Luo, Xu, Fan, & Zhang (2023)）。轴承损坏可能导致异常运行条件，直接影响产品质量并危及操作人员的安全。轴承故障诊断方法通常分为三类：基于物理的方法、基于定性知识的方法和数据驱动的方法。基于物理的方法依赖于完整和准确的系统建模，这限制了它们的泛化能力。基于定性知识的方法在覆盖所有可能的故障模式方面存在局限性。数据驱动的方法需要大量的标记或未标记样本（Ma, Shi, Wu, & Peng (2023)）。其性能通常受到训练样本的类型、数量和质量的限制。

在实践中，测试样本往往是不可预测且无法观察到的，这严重影响了传统深度模型的预测准确性和可靠性。最近的研究将检测此类未见类别的能力称为零样本故障诊断。在GZSL故障诊断设置中，测试集包含已知和未见类别，模型需要同时在已知故障上保持高识别性能，并实现知识向未见故障的转移（Huang, Li, Ye, & Zhou (2021)）。然而，GZSL模型通常存在识别偏差，即预测倾向于已知类别，因为已知类别的置信度得分更高。为了减轻这种偏差，提出了门控机制来确定样本属于已知类别还是未见类别。它将GZSL问题转化为标准的零样本问题，以减轻识别偏差（Basu, Campbell, & Karahalios (2023); Huang, Ma, & Wang (2023); K?mürcü & Petkevi?ius (2024); Pan, Li, & Zhao (2022)）。准确识别和减轻偏差的双重要求使得GZSL诊断在工业应用中既非常现实又极具挑战性。

零样本学习（ZSL）方法通常分为生成方法（Liu, Li, Ma, Qi, & Liu (2024); Xu, Kong, Li, & Ding (2024a); Xu & Li (2021)）和基于嵌入的方法（Chen, Hong, Cheng, Kong, & Zheng (2024a); Wu, Ma, Feng, Yang, & Hu (2025); Yang et al. (2025)）。ZSL方法旨在提取已知和未见类别之间的共享知识，并构建一个共同的语义空间以提高对未见类别样本的泛化能力。然而，这一范式在轴承故障诊断中面临几个挑战。首先，与颜色和形状等特征直观可识别的图像任务不同（Zhang & Zhang (2024)），轴承振动信号之间的共性难以明确提取。此外，无论是复合故障还是在不同操作条件下的信号变化，类别关系都难以准确建模。建模偏差导致使用在合成生成的数据上训练的模型识别真实的未见类别时出现误分类。因此，这些模型通常仅限于处理特定类型的未见故障或某些可变操作条件，从而导致在多样化真实环境中的鲁棒性较差。

为了解决上述挑战，本文提出了一种新的广义零样本轴承故障诊断网络TransZeroNet。它能够在GZSL设置下同时处理未见故障和可变操作条件诊断任务。在HEFEI、HUST和CWRU数据集上进行了跨数据集的零样本实验，以评估所提出网络的性能。实验结果表明，TransZeroNet以较少的参数和高效的训练实现了最先进的准确率，突显了其有效性和实用性。

本文的主要贡献包括：

(1) 提出了具有层次诊断方案的TransZeroNet，包含四个关键模块，旨在诊断未见故障和可变操作条件。其亮点特征对齐模块和层次诊断都是基于已知和未见类别之间的观察差异设计的。

(2) 特征对齐模块使用损失函数驱动的评估来量化已知和未见类别之间的差异。未见样本通过无需训练的类别门控识别模块轻松检测到，从而增强了鲁棒性。检测到的未见类别样本进一步通过无监督学习策略的未见类别识别模块进行识别。

(3) 在三个典型的轴承数据集上验证了TransZeroNet的性能，证明了其在广义零样本设置下在未见故障诊断和不同操作场景下的最先进性能。它消除了仅能检测特定类型未见故障的限制，与现有的GZSL诊断方法相比具有优势。

本文的其余部分组织如下：第2节回顾相关工作。第3节详细描述了所提出的方法。第4节进行了比较实验和分析。最后，第5节得出结论。

节选

零样本和广义零样本故障诊断

当收集所有故障模式的标记数据不切实际时，零样本学习（ZSL）和广义零样本学习（GZSL）已成为故障诊断的有前景的方法（Cen et al. (2025)）。最近，广义零样本学习轴承故障诊断（GZSL-BFD）引起了越来越多的关注。现有研究主要集中在两个主要方向：(i) 未见故障诊断（Cen et al. (2025); Xu, Zhang, Zhou, & Fan (2023); Yang et al. (2025)）和 (ii) 在

问题定义

在广义零样本学习（GZSL）轴承故障诊断中，故障标签空间被划分为两个不相交的集合：已知类别和未见类别。训练集包含来自已知类别的标记样本：