软门控融合高效双流网络在基于声发射信号的轴承故障诊断中的应用

《Machines》:Efficient Dual-Stream Network with Soft-Gated Fusion for Bearing Fault Diagnosis Using Acoustic Emission Signals Van-Loc Le, Huynh-Anh-Huy Nguyen and Cheol Hong Kim

【字体: 大 中 小 】 时间:2026年04月12日 来源:Machines 2.5

编辑推荐:

  本文聚焦工业轴承故障诊断,针对传统时频二维表征计算成本高、单域(时域或频域)方法信息不完整导致精度受限的问题,提出了一种高效的软门控融合双流网络(DSGF-Net)。该研究利用一维卷积神经网络,并行处理声发射(AE)信号的时域和频域特征,并通过自适应门控机制融合,在显著降低计算复杂度的同时,提升了多种工况下的诊断精度与鲁棒性。

  
在工业生产的轰鸣声中,旋转机械的轴承如同精密的关节,其健康状态直接关乎整条产线的安全与效率。据统计,大约50%的严重机械故障可归咎于轴承问题。若不能及早发现并处理,轻则导致停机、经济损失,重则可能引发安全事故。因此,对轴承进行实时、精准的故障诊断,是现代工业实践中一项至关重要的需求。
传统的故障诊断方法,如依赖技术人员经验的目视检查,不仅耗时费力,还容易遗漏早期故障。随着传感器技术和数据科学的进步,基于振动信号和机器学习的方法已成为主流。然而,振动信号在低速运行或强阻尼结构下,信噪比可能较低,难以捕捉早期的冲击瞬态。相比之下,声发射(Acoustic Emission, AE)信号对初始缺陷(如微裂纹、点蚀)具有更高的敏感性,其信号通常存在于高频段,不易被低频机械振荡掩盖,即使在低速下也能有效检测,为早期故障诊断提供了新可能。
在利用声发射信号进行故障诊断时,如何有效提取并利用信号中的信息是关键。当前主流方法主要围绕三个方向展开:基于二维时频图像(如短时傅里叶变换STFT得到的谱图)的方法性能强大但计算成本高昂;仅使用时域的一维卷积神经网络(1D CNN)方法计算高效,但难以利用频域信息;仅用频域的方法则丢失了时域进展信息。这形成了一个两难困境:追求高精度往往伴随着高计算开销,而追求高效率又可能牺牲诊断的全面性与准确性。为此,来自(作者单位信息在文档中未明确提供)的研究团队在《Machines》期刊上发表论文,提出了一种名为“带有软门控融合的高效双流网络”(DSGF-Net),旨在同时达成高效率与高精度,为轴承故障诊断提供一种新的解决方案。
为了构建DSGF-Net模型,研究人员主要应用了以下关键技术方法:首先,对原始声发射信号进行数据预处理,采用50%重叠的滑动汉恩(Hann)窗对信号进行分段,并对每个分段应用快速傅里叶变换(FFT)得到一维频谱向量,以此分别生成时域和频域的输入数据。其次,构建双流特征提取网络,包含一个时域分支和一个频域分支,每个分支均由堆叠的1D卷积、批归一化(Batch Normalization)和硬Swish(Hard Swish)激活函数模块构成。最后,设计并实现了软门控融合(Soft-Gated Fusion)机制,该机制能够自适应地平衡时域和频域两个分支特征对最终分类的贡献权重,实现特征的有效融合,最终通过全连接层进行故障类型分类。
研究结果
  1. 1.
    模型架构与工作原理:提出的DSGF-Net模型清晰展示了其三阶段工作流:数据预处理、并行特征提取和自适应融合。数据预处理阶段详细说明了如何将原始AE信号转化为模型可用的时域片段和频域谱向量,并强调了采用50%重叠的汉恩窗以减少频谱泄漏、保持特征完整性的重要性。
  2. 2.
    性能优越性:通过与仅时域、仅频域以及基于二维时频图像的方法进行对比实验,结果表明DSGF-Net在诊断准确性上超越了单域基线方法。更重要的是,在达到高精度的同时,其计算复杂度、参数量以及总延迟时间均显著低于基于二维时频图像的方法,证明了其在计算效率上的优势。
  3. 3.
    鲁棒性验证:实验在多种运行速度和负载条件下进行,DSGF-Net均表现出稳定的高诊断性能,证明了该方法对于不同工况具有良好的适应性和鲁棒性,能够有效处理单故障和复合故障样本的分类。
结论与讨论
本研究成功开发并验证了一种用于轴承故障诊断的高效双流网络DSGF-Net。该模型的核心创新在于采用并行双流结构分别学习声发射信号的时域和频域特征,并创新性地引入软门控融合机制进行自适应特征融合。这种方法克服了传统单域方法特征利用不完整、二维方法计算负担重的缺点。
该研究的主要结论与重要意义在于:第一,提出了一种融合时域和频域特征的高效1D CNN架构,为轴承故障诊断提供了一种新的、更优的技术路径。第二,该模型显著降低了计算复杂度和处理时间,使其更适用于对实时性要求较高的工业现场部署或计算资源有限的边缘设备。第三,模型在多种运行条件下均表现出高诊断精度和强鲁棒性,增强了其在复杂实际工业环境中的实用价值。这项工作不仅推动了基于声发射信号和深度学习的智能故障诊断技术的发展,也为工业4.0背景下的预测性维护提供了高效可靠的解决方案。未来的研究可以进一步探索该架构在其他类型信号(如振动、电流)故障诊断中的泛化能力,以及模型压缩、轻量化部署等方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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