FCTransformer：一种基于傅里叶卷积与变换器的多传感器信息融合智能故障诊断方法

《Mechanical Systems and Signal Processing》：FCTransformer: An intelligent fault diagnosis method for multi-sensor information fusion based on Fourier convolution and transformer

　　张亚洲|赵晓强|彭振瑞|惠永永|徐荣荣中国兰州理工大学电气与信息工程学院，兰州730050摘要针对现有多传感器数据融合方法在频域和时域存在信息缺失及建模不足的问题，本文提出了一种基于傅里叶卷积与Transformer的智能故障诊断方法。该方法首先利用主成分分析对高维多模态传感器数据进行降维处理，再通过连续小波变换将其转换为RGB图像。随后设计出傅里叶卷积操作，该操作不仅能有效提取局部周期性频域特征，还能提升模型的非线性特征提取能力。最后，通过设计变分自编码Transformer来实现全局依赖关系建模，进而增强对多传感器耦合特征的识别能力。为验证该方法的有效性，分别在轴承和齿轮箱数据集上进行了实验验证。结果表明，在正常样本条件下，FCTransformer的平均故障诊断准确率为99.58％；在小样本条件下，其平均故障诊断准确率为96.10％。这说明FCTransformer具有出色的故障诊断性能，能够满足旋转机械故障诊断的需求。引言作为风力发电机、轨道交通系统及航空发动机中的关键部件，旋转机械的智能监测日益成为研究热点[1][2]。然而，旋转机械在高强度、长时间运行过程中不可避免地会出现磨损、松动和疲劳等故障。此外，由于旋转机械的高度集成性，很难从内部检测出故障。因此，开发高效准确的旋转机械智能诊断方法对于确保其安全稳定运行具有重要意义[3][4][5]。旋转机械故障诊断方法可分为基于模型的故障诊断方法和数据驱动的故障诊断方法[6]。基于模型的故障诊断方法仅能满足简单机械设备的故障诊断需求，而对于大型集成式旋转机械而言，难以实现有效的故障诊断。近年来，随着传感器技术的发展以及“大数据”时代的到来，基于数据的旋转机械故障诊断方法成为研究热点[7][8]。其中，卷积神经网络[9][10]、循环神经网络[11][12]及其变体在旋转机械故障诊断领域得到了广泛应用，其在特征提取和故障识别方面具有显著优势。例如，何等人[13]提出了一种基于物理信息的波let域自适应网络，用于旋转机械的迁移学习。该网络将可解释的波let知识整合到卷积层中，从而能够捕捉更多与领域无关的特征，并提高模型的可解释性。赵等人[14]提出了一种多尺度残差收缩网络，通过构建多尺度残差收缩模块来挖掘输入数据的多尺度特征。卢等人[15]设计了一种单源域泛化故障诊断框架，利用嵌入在卷积自编码器中的先验知识进行特征提取。由于卷积神经网络仅依靠局部感受野来提取特征，因此无法捕捉全局特征和建模长距离依赖关系。为解决这些局限性，Transformer利用自注意力机制计算输入数据不同位置之间的关系，使其能够广泛应用于时空依赖关系的建模。例如，张等人[16]提出了基于多尺度扩张卷积和swin-transformer的齿轮箱故障诊断方法。肖等人[17]设计了用于旋转机械故障诊断的贝叶斯Transformer，可通过模型训练获得随机变量的注意力权重。上述方法为旋转机械的迁移学习及抗噪声诊断提供了新思路，并在实验验证中取得了令人满意的结果。不过，这些方法仍存在两个缺陷：（1）Transformer的计算复杂度随输入序列长度的增加而呈二次方增长，在小样本故障诊断任务中，由于训练数据不足，模型参数可能会出现过拟合现象；（2）这些方法仅依赖单个传感器的振动信号来提取输入特征，而在旋转机械的实际工作环境中，外部因素容易干扰单个传感器的振动信号，导致模型无法准确提取故障信息。因此，为弥补单个传感器在故障信息表示方面的不足，研究人员开始探索多传感器数据融合技术。目前，多传感器数据融合技术主要分为数据层、特征层和决策层的多源信息融合[18][19]。特征层融合依赖于模型的特征学习与表示能力，需要采用分层特征融合策略。例如，杨等人[20]提出了一种多传感器局部与全局特征融合方法，通过卷积提取局部特征，再利用稀疏Transformer进行全局特征感知学习。但直接使用卷积进行特征提取会产生冗余信息。孙等人[21]提出了一种基于物理知识驱动的特征融合与重构网络，通过双视图集成波let特征融合模块实现不同传感器信号的特征融合，不过该模块中波let核的选择依赖于人工经验。董等人[22]设计了一种合成悬崖熵函数来融合不同传感器的信号，并采用双正则化对比Transformer进行特征学习，但合成悬崖熵函数仅适用于加速度传感器采集的数据。决策层融合则利用子模型进行特征提取和故障判定，再将这些子模型的输出结果进行融合，以提高整体决策的稳健性。例如，邵等人[23]提出了一种基于多传感器融合的协同故障诊断方法，该方法采用堆叠波let自编码器进行特征提取，并通过改进的投票融合策略实现多传感器特征融合，但堆叠波let自编码器仅能提取局部特征信息，无法建模全局依赖关系。龚等人[24]提出了一种基于改进CNN的多传感器数据融合快速故障诊断方法，他们在模型的全连接层中对来自不同传感器的故障特征进行融合，但由于融合发生在决策过程的最后阶段，漫长的路径导致浅层信息丢失。数据层融合则是通过融合策略直接对多传感器数据进行处理，以最大限度地保留特征信息。例如，林等人[25]利用主成分分析及图像变换技术融合多源传感器信号，同时采用无参数注意力机制从输入样本中自适应提取与领域无关的特征，但图像变换技术缺乏物理意义，从而导致诊断结果不可靠。叶等人[26]提出了一种基于多传感器信息融合的深度集成网络，用于轴承故障诊断，该网络采用复合指数加权融合策略融合多传感器信息，并利用跨尺度注意力模型提取故障特征，但这种方法要求输入数据具有高度的兼容性和维度一致性，且缺乏误差校正功能。综上所述，现有的多传感器融合方法缺乏统一的频域与时域建模机制，无法在全局特征捕获与局部细节保留之间取得平衡。此外，在融合高维多模态数据时，若融合位置选择不当，还会导致信息冗余。为解决这些问题，本文提出了一种基于FCTransformer的多传感器信息融合智能故障诊断方法，首次将傅里叶卷积与VAETransformer相结合。FCTransformer主要由多传感器数据融合策略、局部特征提取及全局依赖关系建模三部分组成。首先，通过多传感器数据融合策略融合多传感器数据，生成包含来自不同位置的故障信息的输入数据集；其次，运用傅里叶卷积进行局部特征提取，从输入数据集中提取局部周期性故障特征，从而提升模型的特征表示能力；最后，通过VAETransformer进行全局依赖关系建模，该模型具备正则化功能，能够防止模型过拟合并提高其泛化性能。本文的贡献可归纳为以下四个方面：（1）为减少故障信息的缺失并揭示不同传感器之间的耦合关系，本文设计了数据层信息融合策略，通过主成分分析对高维多模态传感器数据进行降维处理，再利用连续小波变换生成RGB融合图像。（2）为克服传统卷积在处理频域特征方面的局限性，本文设计了傅里叶卷积操作用于局部特征提取，该操作不仅提升了模型的非线性处理能力，还能有效挖掘周期性频率故障特征。（3）为防止模型过拟合并消除冗余信息，本文设计了VAETransformer用于全局依赖关系建模，该模型能够捕捉不同传感器之间的长距离依赖关系，并提取全局故障特征。（4）在轴承和齿轮箱数据集上进行了实验验证，结果表明，与传统的信息融合方法相比，FCTransformer具有更出色的故障诊断性能，其故障诊断准确率也高于现有的先进方法。本文的其余内容如下：第2节介绍相关理论，第3节阐述所提出的方法，第4节进行实验验证与分析，第5节给出结论与展望。章节节选卷积神经网络卷积神经网络在故障诊断领域得到广泛应用，它由卷积层、池化层和全连接层组成[13][27]。卷积层利用卷积核对输入数据执行滑动卷积操作，由于卷积层具有参数共享特性，因此可以减少模型的参数数量，其计算公式如下：Xl+1wk,il,bk,il=Conv?=∑k=0k-1wk,il·bk,il，其中l表示卷积的次数。多传感器数据融合策略不同位置的传感器信号能够反映旋转机械的整体运行状况，因此对旋转机械开展多传感器故障诊断研究具有重要意义。不过，来自不同位置的传感器信号可能会引入冗余信息，如何在保留重要故障信息的同时消除冗余信息，是旋转机械故障诊断领域的关键问题。本文采用了一种数据……实验验证与分析在本节中，基于轴承测试台和齿轮箱测试台两种试验装置对FCTransformer进行了验证。实验在Windows 10操作系统上进行，所用计算机配备了GeForce RTX 4060显卡以及基础频率为2.50GHz的13代Intel? Core i5 – 13400F处理器。实验环境包括PyTorch 2.2.2版本的Python以及R2020a版本的MATLAB，CUDA版本为11.3。相关代码可在//github.com/yazhouz584-star/Fusion2获取。结论本文提出了一种基于傅里叶卷积与Transformer的智能故障诊断方法（FCTransformer），旨在为旋转机械提供更精准、更智能的诊断方案。具体而言，该方法通过设计多传感器融合策略，借助降维和连续小波变换生成多源数据融合数据集，该数据集包含了旋转机械不同位置的故障信息，有效减少了故障信息的丢失。CRediT作者贡献说明张亚洲：撰写——初稿、验证、资源准备、方法设计、资金申请。赵晓强：撰写——审阅与编辑、指导、资金申请、正式分析。彭振瑞：指导、资金申请。惠永永：指导、资金申请、数据整理。徐荣荣：验证、概念设计。利益冲突声明作者声明不存在任何可能影响本文研究成果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（编号62263021）、甘肃省高校产业支撑项目（2023CYZC-24）、甘肃省科技计划项目（24JRRA172）、甘肃省教育厅优秀研究生创新之星项目（2025CXZX-491）、甘肃省基础研究创新群体（25JRRA058）以及中央引导地方科技发展资金的支持。