基于边缘投影技术的双权重增强原型网络，用于非接触式轴承故障诊断

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：Fringe projection enabled dual-weight enhanced prototype network for non-contact bearing fault diagnosis

　　刘东明|钟建峰|郭浩阳|黄云华|林启辉|兰园平|李梦伟|叶爱丽|钟建华|常远红|钟顺聪|福建省太赫兹功能器件与智能传感重点实验室，福州大学机械工程与自动化学院，福建福州350108，中国

摘要
近年来，智能机械故障诊断取得了显著进展，但仍然主要依赖于接触式传感器。这些传感器的安装限制、负载效应、侵入式测量方式以及单点采集方式严重限制了其在复杂环境中的适用性。为了克服这些限制，本文提出了一种将条纹投影视觉系统与双权重增强原型网络（DWEPN）相结合的框架，用于非接触式轴承故障诊断。本研究的主要贡献如下：1）采用条纹投影系统以非接触方式获取轴径向振动数据，消除了传感器安装和负载效应的影响，同时实现了多点、材料无关和远距离测量；2）利用从径向振动重建的轴心轨道图像作为诊断输入，提供了缺陷引起的偏差的直观几何表示，并通过缩短振动传输路径保留了更丰富的故障信息；3）为了解决传统原型网络的局限性，提出了双权重增强原型网络，在原型构建和度量评估过程中引入了自适应加权。具体而言，自适应原型加权网络为每个样本分配特定的权重，以减轻由于支持样本质量差异导致的原型偏移，而不是采用通用的原型优化方法。同时，查询通道权重生成器在距离计算前选择性地增强与故障相关的通道，从而明确提高了查询特征的区分能力，而不仅仅是应用统一的注意力机制。实验结果表明，与现有的元学习方法相比，所提出的方法在不同运行条件下均表现出更优的诊断性能，为工业设备的智能维护提供了一种结合高精度和强泛化能力的非接触式解决方案。

引言
轴承作为机械系统中的关键部件，负责支撑旋转元件并确保运行过程中的运动精度。然而，轴承的磨损和故障会持续影响机械的可靠性和运行效率。因此，实施轴承的状态监测对于确保机械的长期健康运行至关重要[1]。
最近在故障诊断方面的研究通过多种监测技术（包括振动[2]、声发射[3]和温度分析[4]）实现了对轴承健康状况的动态评估，并取得了显著进展。其中，振动信号分析是一种敏感的诊断方法，能够捕捉到明确反映轴承损伤的振动异常[5]。然而，传统的振动监测依赖于加速度计，这些传感器存在以下关键限制：1）安装限制：与机械系统的物理接触限制了其在复杂环境中的适用性；2）负载效应：传感器质量会改变系统的动态特性；3）测量范围有限：单点测量难以捕捉系统的整体状态，而多点部署则显著增加了安装复杂性和成本；4）信号衰减：从轴承外壳到测量点的长传输路径会导致信号衰减和噪声。
非接触式测量技术在旋转机械故障诊断领域的发展速度加快。涡流感应技术通过轴心轨道的特征实现了六种转子故障类型的分类[6]，[7]；光学技术利用激光多普勒振动计和光纤布拉格光栅提取轴承故障的特征频率[8]，[9]；同时，声学传感方法结合相位麦克风阵列和特征增强算法从背景噪声中分离出轴承故障特征[10]，[11]。多模态融合方法在非接触式故障诊断中也得到了应用。Ying等人从声学和红外热成像数据中捕获了局部和全局特征，实现了对传动系统和发动机转子的准确诊断[12]。然而，现有技术仍面临三个主要瓶颈：1）适用范围有限：涡流感应需要导电材料，光学系统成本较高；2）空间分辨率有限：激光、光纤和涡流技术缺乏全场监测能力；3）环境敏感性：声学和光学技术都容易受到环境干扰。因此，开发一种结合通用性和鲁棒性的新型非接触式全场测量技术是突破接触式诊断方法瓶颈的关键。
计算机科学和成像技术的快速发展推动了基于视觉的方法在故障诊断领域的应用。基于视觉的方法凭借其高精度、通用性和全场测量能力，成为克服现有非接触式诊断技术局限性的理想技术途径。Peng等人提出了一种视频相位振动提取方法，利用卷积神经网络（CNN）通过编码的振动图像进行轴承故障诊断[13]。基于这项研究[13]，Zhu等人开发了深度全局子域自适应网络（DGSAN），结合了全局对齐和子域聚类策略以实现跨条件迁移学习[14]。Li等人提出了一种基于事件相机的振动传感方法，实现了高时间分辨率和低数据冗余的精确轴承故障诊断[15]。Li等人提出了一种基于相位的视觉方法来监测轴承振动，并通过MOMEDA方法实现了复合故障识别[16]。然而，现有的视觉诊断方法仅适用于恒速条件下的轴承故障诊断。在变速条件下，轴承的故障特征频率与旋转速度成正比，导致故障频率在频谱中随时间移动，从而大大增加了故障诊断的难度。
为了解决这一挑战，本研究提出了一种基于轴心轨道的轴承故障诊断方法。该方法利用条纹投影视觉系统准确捕获旋转轴的径向振动信号[17]，随后构建轴心轨道图像作为模型输入。通过识别由局部轴承损伤引起的轨道形态变化来实现故障识别。这种轨道形态作为故障类型的空间几何表示，具有旋转形状的速度不变性。通过用空间几何特征替代传统的时频分析，所提出的方法有效解决了变速条件下的故障特征提取问题。
近年来，深度学习方法在故障诊断研究中得到了广泛应用。然而，深度学习模型的训练通常需要大量标记数据，而实际中设备往往在较长时间内处于健康状态，导致有效模型训练所需的故障样本稀缺。此外，数据在不同环境和运行条件下的变化较大，要求模型具有很强的泛化能力[18]。为了解决少样本和跨域条件下的故障诊断挑战，当前研究主要集中在无监督学习、迁移学习和少样本学习等方法上。无监督学习旨在从未标记数据中提取具有区分性的表示，并已在目标域标签不可用的跨域故障诊断中得到广泛应用[19]，[20]。然而，这些方法的有效性高度依赖于伪标签的可靠性和域对齐程度，这在严重域偏移或复杂运行条件下可能会降低。迁移学习利用大量标记的源域数据来训练模型，并将获得的知识转移到注释稀缺的目标域，从而减少了对目标域数据量的依赖[21]，[22]。然而，迁移学习的性能受到源域数据质量和源域与目标域之间相关性的显著影响[23]。
为了克服这些限制，元学习作为一种新的方法被引入来解决少样本和跨域诊断问题[24]。常见的元学习方法包括模型不可知元学习（MAML）[25]、匹配网络（MN）[26]、关系网络（RelaNet）[27]和原型网络（PN）[28]。其中，原型网络在少样本学习研究中受到了广泛关注，因为它们具有简单的架构、训练效率高和强大的泛化能力。由于这些优势，原型网络在故障诊断领域得到了广泛应用，为相关问题提供了有效的解决方案。在这个框架内，提出了几种改进的架构。例如，Jiang等人开发了一个双分支网络，分别从时域和频域计算类原型表示。这些原型随后用于与查询样本的距离比较，结果整合到分类模块中进行最终诊断[29]。类似地，Hu等人提出了一种结合了通用监督学习和原型网络的混合方法，使用去噪残差收缩网络从标记样本中提取先验知识，从而构建高质量的原型，实现更准确的故障诊断[30]。Feng等人提出了半监督元学习网络（SSMN），该网络结合了挤压-激励注意力机制来提取代表性原型特征，利用少量样本实现准确的轴承故障诊断[31]。Qin等人提出了一种新的自适应测地线原型网络（AGPN），开发了一种测地线距离学习策略来测量复杂样本与原型之间的距离。实验证明，所提出的方法在跨域少样本任务中具有良好的诊断准确性和训练稳定性[32]。原型网络在故障诊断中表现出色，但仍存在两个关键限制：1）在类表示计算过程中均匀平均导致的原型偏差；2）查询集中的故障通道的区分属性可能被额外信息掩盖。
为了减少简单平均在原型构建过程中引入的偏差，本研究设计了一种自适应原型加权网络（APWN），在计算类原型时为支持特征分配特定权重。与传统的基于原型的元学习方法不同，APWN根据每个支持特征的特性独立调整其贡献，而不是隐含地假设样本质量均匀或依赖支持实例之间的关联聚合。这种设计使得构建的原型对低质量或受噪声影响的样本不那么敏感，而不会引入额外的关联建模。
此外，还引入了查询通道权重生成器（QCWG）在距离计算前调整查询特征的通道响应。与通常应用通用通道或空间注意力进行特征增强的现有基于注意力的元学习方法不同，QCWG执行面向度量的通道重新加权，直接服务于查询特征与类原型之间的距离评估。通过强调与故障模式更相关的通道并抑制信息较少的组件，QCWG提高了基于度量的比较的可靠性，而不仅仅是加强特征表示。
本文的其余部分组织如下：第二节介绍条纹投影测量系统，包括其原理和实现；第三节概述了基于原型网络的元学习理论和所提出的故障诊断方法；第四节描述了数据集构建和在不同条件下的实验验证；第五节得出结论。

**条纹投影测量系统**
在本节中，介绍了基于视觉的条纹投影系统，包括系统布局和径向振动的提取原理，详细的测量原理可以在参考文献[17]中找到。
如图1所示，非接触式测量系统主要由投影灯、高速相机和计算机组成。假设目标轴水平放置。坐标系以轴的长度方向为Z轴。

**初步**
在轴旋转传递动力过程中，轴承提供了必要的支撑，以确保能量传递的平稳性。轴和轴承表面之间的紧密配合决定了轴承的运行状态直接影响轴的径向振动特性。然而，轴承在长期高强度运行下容易发生疲劳磨损，这会改变其振动特性，最终导致轴的径向振动位移波动。

**实验设置**
使用转子测试台（类型：DHRMT-2，东华测试）构建了一个比较验证平台，结合了条纹投影系统和涡流传感器来验证所提出的轴承故障诊断方法的诊断有效性。如图9所示，伺服电机（类型：TS0040A22，Syntron，中国）为轴提供旋转动力，其旋转速度由信号发生器（类型：33220A，Agilent）提供的模拟电压输入调节。

**结论**
本研究提出了一种新的轴承故障诊断方法，将条纹投影测量与双权重增强原型网络（DWEPN）相结合。我们利用条纹投影视觉系统实现了高精度的非接触式径向振动测量，随后建立了不同轴承健康状态下轴心轨道图像的数据集。这种方法具有材料要求低、多点测量和远距离测量等优点。

**作者贡献声明**
刘东明：撰写——审稿与编辑、撰写——原始草稿、可视化、验证、软件、方法论、调查。
钟建峰：撰写——审稿与编辑、监督、项目管理、调查、资金获取、概念化。
郭浩阳：资源、方法论、形式分析、数据管理。云华·黄：可视化、验证、形式化分析、数据整理。
启辉·林：软件、资源、调查、形式化分析。
袁平·兰：利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢
作者衷心感谢国家自然科学基金（52275523、52275096）、福建省重大科技项目（2022HZ024005）、龙岩市新罗区机械装备产业集聚区科技专项任务计划（2024N0077）以及福建省创新青年科学基金（2025J08023）的支持。作者还要感谢三钢明光有限公司提供的帮助。