融合RPM、DAM-IResNet和迁移学习的机械部件故障诊断方法

《Sensors》：Fault Diagnosis Method for Mechanical Components Fusing RPM, DAM-IResNet, and Transfer Learning Xingwei Ge, Ziyang Chen, Yachao Cao, Zhe Wu and Qi Li

　　

本文提出一种融合相对位置矩阵（Relative Position Matrix, RPM）、下采样注意力模块（Downsampling Attention Module, DAM）、改进残差网络（Improved Residual Network, IResNet）和迁移学习的新颖故障诊断方法，以解决故障数据稀缺和变工况下泛化能力差的问题。RPM将一维振动信号转换为二维图像以增强特征表示。DAM通过Haar小波下采样和卷积注意力实现无损特征压缩与选择。随后，IResNet执行深度特征学习和分类。迁移学习策略进一步实现从数据丰富的源域到数据稀缺的目标域的有效知识适应，显著提升跨工况和小样本场景下的性能。在多个轴承和齿轮数据集上的实验表明，所提方法准确率超过99.5%，在关键迁移任务中达到100%，优于现有最先进方法。本研究的主要贡献包括统一的RPM-DAM-IResNet框架、针对性的小样本迁移策略，以及对其优越精度和鲁棒性的全面验证。

**论文解读文章**

**研究背景与问题**
随着工业智能化与自动化发展，滚动轴承和齿轮箱作为旋转机械的核心部件，其运行状态直接影响系统可靠性、安全性与寿命。长期服役中，复杂工况下可能发生故障，如齿轮断齿、磨损、轴承内外圈磨损等。传统故障诊断方法依赖专家经验和基本信号处理，在复杂工况下难以达到足够精度。现有深度学习方法虽取得进展，但多数方法仅在特定稳态工况下验证，而实际工业中设备运行于变载荷和变转速条件，特定模式的故障样本稀缺。因此，存在两大挑战：一是变工况下数据分布偏移导致泛化性能显著下降；二是目标工况或部件上可用故障样本严重不足，难以训练复杂模型。尽管迁移学习被引入缓解数据匮乏，但如何有效提取并迁移具有强泛化能力的故障特征，尤其在跨部件和跨工况场景中，仍是亟待解决的难题。为此，研究人员提出融合相对位置矩阵（RPM）、下采样注意力模块（DAM）、改进残差网络（IResNet）和迁移学习的故障诊断方法。

**研究内容与结论**
研究人员提出RPM-DAM-IResNet框架，并联合迁移学习进行变工况和小样本故障诊断。该方法首先利用RPM将一维振动信号编码为二维图像，保留时序相对关系；然后设计结合Haar小波下采样和卷积注意力的DAM模块，实现无损特征压缩与选择性增强；随后构建基于改进残差块的IResNet进行深度特征学习与分类；最后引入迁移学习，将源域充分训练的模型参数迁移至目标域，通过两阶段微调实现小样本适配。实验在多个公开数据集（东南大学SEU数据集、西安交通大学XJTU全寿命轴承数据集、QPZZ-II齿轮箱数据集）上进行，涵盖齿轮和轴承的五种常见故障状态。结果表明，所提方法在同工况下准确率达99.5%以上，在跨工况直接测试（无微调）中显著优于ResCNN、MobileNet、Vision-Transformer等对比方法；在迁移学习任务中，所有SEU和QPZZ-II迁移任务准确率达100%，XJTU任务中除复合故障外均达100%。消融实验验证了DAM中Haar小波下采样（HWD）和卷积注意力模块（CAM）以及改进残差块（IRB）各自的有效性。该论文发表在《Sensors》期刊。

**主要关键技术方法**
（1）相对位置矩阵（RPM）编码：将一维振动信号通过Z-score标准化、分段聚合近似降维、计算时间戳间相对位置并归一化，生成224×224灰度图。
（2）下采样注意力模块（DAM）：由Haar小波下采样（HWD）和卷积注意力模块（CAM）串联组成。HWD通过可逆小波变换无损分解特征图，CAM对通道和空间位置进行自适应加权，实现无损压缩与注意力筛选。
（3）改进残差网络（IResNet）：以改进残差块（IRB）为基本单元，采用深度可分离卷积、1×1点卷积、ReLU6激活函数和恒等映射，构建轻量高效的特征提取骨干。
（4）迁移学习策略：源域预训练后保留特征提取层参数，去除分类层；目标域上先冻结特征层训练新分类头，再联合微调，实现小样本知识迁移。
样本队列来源：东南大学SEU数据集（含齿轮和轴承，20HZ-0V与30HZ-2V两种工况）、西安交通大学XJTU全寿命轴承数据集（三种工况，不同径向力与转速）、QPZZ-II试验台齿轮箱数据集（无载与5 Nm负载）。

**研究结果**

**4.3 消融实验与模块有效性验证**
通过设置ResNet50、IResNet50、CBAM-IResNet、HWD-IResNet及完整DAM-IResNet五种模型，在QPZZ-II同工况数据集上进行消融实验。结果表明：所有模型在同工况下均达到高精度，完整DAM-IResNet准确率最高，逐步改进验证了IRB增强特征学习能力、HWD保留高频信息、CAM实现智能特征筛选，三者协同优化特征提取。

**4.4 变工况实验结果分析**
在SEU、XJTU、QPZZ-II数据集上进行变工况直接测试（不加微调），对比ResCNN、MobileNet、Vision-Transformer。结果显示：所提方法在所有变工况任务中平均准确率均高于对比方法。RPM编码保留了物理可解释的故障特征（如齿轮断齿的周期冲击在RPM图像中表现为显著灰度对比），HWD无损保留高频细节，CAM聚焦故障相关区域，IRB深层学习层次化特征，从而在变载荷、变转速下保持高精度。例如，在D0-D5任务中，所提方法故障预测准确率最高，混淆矩阵显示仅少量误判。

**4.5 SEU数据集迁移实验**
设置A0-A2、A2-A0、B0-B2、B2-B0四个迁移任务，对比CNN+TL、BiGRU、ResNet+TL。所提方法在所有任务中准确率达100%，且初始精度高、收敛速度快（10轮内达到最优），而未用迁移学习的模型需20轮且初始精度低（如A2-A0任务初始68.4% vs 36.2%）。训练损失与验证损失曲线同步下降无过拟合，证实有效知识迁移。

**4.6 XJTU数据集迁移实验**
设置C1-C0与C1-C2两个轴承迁移任务。所提方法在C1-C0任务中准确率100%，C1-C2任务中因复合故障存在仅1个样本误判为外圈故障，整体准确率高于对比方法。初始精度和收敛速度同样优于无迁移学习模型（初始70.3% vs 53%）。验证损失稳定，无过拟合。

**4.7 QPZZ-II数据集迁移实验**
设置D0-D5与D5-D0两个齿轮迁移任务。所提方法在两项任务中准确率100%，高于其他模型。训练过程对比显示：使用迁移学习后初始精度更高（68.3% vs 55.4%），收敛更快（10轮达最优），损失曲线同步下降稳定。

**总结讨论与结论翻译**
研究结论部分翻译如下：针对传统神经网络提取局部故障特征能力有限及变工况下诊断精度不足的问题，本研究提出融合相对位置矩阵（RPM）、下采样注意力模块（DAM）和改进残差网络（IResNet）的智能诊断框架，并引入迁移学习应对小样本知识迁移挑战。主要发现如下：（1）模块有效性验证：消融研究证实，Haar小波下采样与卷积注意力的组合可在保留信号关键结构信息的同时实现自适应特征选择，改进残差模块显著提升特征提取效率与深度。模型在多个数据集上对不同故障状态均展现出优越识别性能。（2）跨工况与小样本场景下的突出表现：本框架在涉及变载荷和变转速的各种组合条件下经系统测试，不仅在同工况下获得高精度，在跨工况迁移任务中亦保持稳定性能，准确率显著高于对比的主流模型（如ResNet、MobileNet、Vision-Transformer），表明模型学习到可泛化的故障表征而非记忆特定工况信号模式。（3）实验设计与局限性讨论：数据准备中使用非重叠滑动窗口从多次独立实验中提取样本并随机划分，这一方法是领域内常见的模型比较基准，但更严格的时域分块或实验序列划分策略在理论上更严谨，后续工作中将采用该建议以进一步验证方法的时间泛化能力。未来工作将关注类别不平衡和强噪声环境下的诊断鲁棒性，以及自动超参数优化和开集识别以增强系统智能化与适用性。