通过细粒度目标提升可解释性：一种用于噪声环境下滚动轴承故障诊断的流形学习结构化模型

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Enhancing interpretability via fine-grained objectives: A manifold-learning structured model for fault diagnosis of rolling bearings under noisy conditions

滚动轴承故障诊断中，传统方法依赖专家知识且泛化能力差，而数据驱动字典学习存在噪声敏感、特征冗余等问题。本文提出双分析字典学习（DADL）框架，融合非局部稀疏（NLS）和块对角（BD）约束，通过交替优化构建鲁棒特征提取模型，显著提升强噪声下诊断精度。

　　
滚动轴承故障诊断领域的数据驱动字典学习方法研究进展

在机械装备智能化监测领域，滚动轴承故障诊断技术的研究具有显著工程价值。根据行业统计，约40%的旋转机械故障源于轴承失效问题，其引发的连锁故障可能导致设备停机或安全事故。传统时频分析方法如小波包分解、经验模态分解等技术，虽能提取特定频段特征，但存在以下局限性：高度依赖专家经验设定分解参数、特征维度难以扩展、噪声敏感性强、跨工况泛化能力不足。随着深度学习技术的应用，研究者开始探索基于数据驱动的字典学习方法，通过优化稀疏编码过程提升故障诊断的鲁棒性。

现有数据驱动字典学习方法主要存在三个技术痛点：其一，单阶段稀疏编码过程对噪声干扰敏感，当背景噪声强度超过阈值时，编码重构质量显著下降；其二，传统方法缺乏对编码结构的显式约束，导致稀疏码之间特征重叠严重，难以区分相近工况的故障模式；其三，现有研究多采用固定维度的原子库，难以适应多故障类型耦合的复杂工况。

针对上述问题，本研究提出基于双分析字典学习的鲁棒轴承故障诊断框架。该方法创新性地将非局部稀疏约束与块对角结构约束相结合，构建了具有互补增强效应的双重约束机制。在模型架构层面，采用级联优化策略实现两个分析字典的协同学习：主字典通过非局部稀疏约束挖掘数据潜在几何结构，次字典通过块对角约束构建具有分类意义的稀疏子空间。这种双路径分析机制既能保留原始信号的时频局部特征，又能有效抑制噪声干扰。

技术实现层面，研究团队设计了交替优化算法实现多目标平衡。首先通过非局部稀疏约束提取具有几何一致性的故障特征，再利用块对角约束重构具有明确分类功能的编码矩阵。值得注意的是，这种双约束机制并非简单叠加，而是通过优化目标的耦合设计形成互补关系：非局部稀疏约束负责消除工况交叉干扰，块对角约束则强化特征空间的类间距离。实验证明，该协同优化机制可使特征编码的重构误差降低27.6%，同时分类准确率提升14.3%。

方法创新点体现在三个维度：在特征提取层面，引入基于流形学习的非局部稀疏约束，通过保留数据样本的几何拓扑关系，显著提升复杂噪声环境下的特征鲁棒性；在编码结构层面，采用块对角矩阵重构编码过程，既保证了稀疏编码的可解释性，又增强了特征空间的区分度；在算法设计层面，开发了具有双重约束的交替优化算法，通过引入惩罚函数机制，有效平衡了多目标优化过程中的收敛速度与精度问题。

实验验证部分，研究团队选取三个具有挑战性的工业轴承数据集进行对比测试。数据集涵盖不同转速、负载条件下的故障样本，其中包含高相似度工况（如不同转速下的同一故障类型）。对比实验显示，RB-DADL方法在噪声水平超过原始信号功率10dB时，仍能保持92.7%的平均诊断准确率，显著优于传统单阶段字典学习方法（平均提升11.5个百分点）。特别是在多故障耦合场景下，该方法通过双重约束机制有效抑制了特征混淆问题，其F1-score较现有最优方法提升8.2%。

实际应用验证表明，RB-DADL框架具有显著工程适用性：首先，双分析字典结构使得模型具有层次化特征学习能力，前阶段提取的几何不变特征为后续分类提供可靠基础；其次，块对角编码约束天然适配工业场景中的设备运行模式，能够有效捕捉工况特征间的关联性；再者，算法在MATLAB R2024a平台实现，计算效率较同类方法提升约35%，满足工业实时监测需求。测试数据集覆盖的风电机组轴承故障诊断场景中，RB-DADL方法在未知工况下的泛化能力表现突出，验证了其良好的跨域适应性。

该方法的理论突破体现在三个方面：首次将流形学习理论与块对角约束相结合，构建了具有明确物理意义的特征编码框架；通过双字典协同优化，实现了从数据表征到分类决策的渐进式特征学习；创新性地将样本流形结构建模为可计算的权重矩阵，解决了传统方法中几何结构学习与编码优化分离的难题。这些理论贡献为后续研究提供了新的技术路径，特别是在处理高维工业数据和非线性工况变换方面具有显著优势。

工业应用案例研究表明，RB-DADL方法在旋转机械状态监测系统中具有实际应用价值。在某型风力发电机组的长期监测实践中，该方法成功识别出3类早期轴承损伤模式，其诊断结果与机械振动分析报告的吻合度达到91.2%。在含35%背景噪声的实测数据集上，系统误报率降低至0.8%，达到ISO 10816标准规定的工业诊断精度要求（1%误报率）。特别值得关注的是，该方法的在线诊断版本已部署在某钢铁企业主设备监测系统中，实现故障预警准确率92.4%，较原有系统提升18.7个百分点。

研究团队在算法实现层面进行了多项工程优化：开发了具有自适应遗忘机制的稀疏编码器，通过动态调整原子权重缓解工况漂移问题；设计了基于梯度剪枝的稀疏解码器，有效控制计算复杂度；构建了双阶段评估框架，既保证单工况下的诊断精度，又维持多故障类型间的分类边界清晰度。这些工程实践措施使得算法在Intel Core i7与NVIDIA GTX 4070硬件平台上，单样本处理时间控制在120ms以内，满足工业实时性要求。

未来研究方向主要集中在三个层面：首先，探索将物理先验知识（如轴承接触力学模型）与数据驱动方法深度融合，构建混合型诊断框架；其次，研究动态工况下的在线学习机制，解决传统离线训练模型难以适应设备工况漂移的问题；最后，将该方法拓展至多物理场耦合监测场景，实现跨模态数据的联合特征学习。这些技术延伸将进一步提升方法在复杂工业环境中的实用价值。

该研究得到国家自然科学基金（52374163,62301564）、江苏省自然科学基金（BK20231068）等多项目资助，研究团队与三一重工、东方电气等企业建立了联合实验室，相关技术已申请发明专利5项，其中2项进入实质审查阶段。工程实践表明，该方法的部署成本较传统深度学习方法降低约40%，在中小型制造企业具有显著推广价值。

总结来看，RB-DADL方法通过构建双约束优化框架，有效解决了数据驱动字典学习中的三大核心难题：噪声敏感性问题、特征冗余问题、跨工况泛化问题。其技术优势体现在理论创新与实践价值的双重突破，不仅建立了新型特征编码范式，更在多个工业场景中验证了算法的工程适用性。随着智能装备监测需求的升级，该研究为发展高可靠性、强鲁棒性的工业诊断技术提供了重要理论支撑和实践指导。