《Engineering Applications of Artificial Intelligence》:A zero-fault sample diagnosis method of rolling bearings via dynamic model and physics-guided neural network
编辑推荐:
滚动轴承的精确故障诊断对于旋转机械的安全稳定运行至关重要。然而,在航空发动机和高铁系统等关键设备中,真实的故障样本往往难以获取,这给依赖标记故障数据的传统诊断方法带来了重大挑战。为解决这一问题,研究人员提出了一种面向无真实故障样本场景的滚动轴承故障诊断框架,通
滚动轴承的精确故障诊断对于旋转机械的安全稳定运行至关重要。然而,在航空发动机和高铁系统等关键设备中,真实的故障样本往往难以获取,这给依赖标记故障数据的传统诊断方法带来了重大挑战。为解决这一问题,研究人员提出了一种面向无真实故障样本场景的滚动轴承故障诊断框架,通过融合动力学建模、特征提取和物理引导深度学习(Physics-Guided Deep Learning)来实现诊断。首先,根据目标轴承的结构和运行参数,建立四自由度(4-DOF)动力学模型,并生成不同故障条件下的模拟振动信号,以为模型训练提供先验故障信息。其次,利用希尔伯特包络分析(Hilbert Envelope Analysis)和基于阶次谱(Order-Spectrum)的谐波特征提取对振动信号进行处理,构建阶次域特征向量以表征外圈、内圈和滚动体故障。此外,研究人员开发了物理引导增强卷积神经网络(Physics-Guided Enhanced Convolutional Neural Network, PGE-CNN)。通过引入物理信息特征生成分支和物理先验融合策略,所提出的网络在无真实故障样本可用于训练的条件下,提高了诊断的鲁棒性和可解释性。实验结果表明,该方法能够在不使用真实故障样本的情况下实现有效的故障识别,并展现出良好的泛化能力和可解释性。
论文解读:基于动力学模型与物理引导神经网络的滚动轴承零故障样本诊断研究
研究背景与意义
滚动轴承作为旋转机械的核心部件,其运行状态直接决定设备的性能。工业统计数据显示,旋转机械中30%–40%的故障源于滚动轴承失效。轴承故障可能导致设备停机、生产中断,甚至引发航空飞行中停机、高铁牵引系统失效等重大安全事故。因此,滚动轴承故障诊断研究对于保障关键设备的安全稳定运行具有重要的工程意义。随着大数据时代的到来,数据驱动技术蓬勃发展,为精确的轴承故障诊断提供了途径。其中,基于深度学习的诊断方法因其强大的特征提取和非线性拟合能力而备受关注。然而,传统机器学习模型通常需要大量的标记故障数据进行训练。在实际工程中,出于安全和成本限制,关键旋转机械的真实故障样本极其稀缺,这容易导致模型过拟合,并严重降低泛化性能。在小样本和零样本问题成为智能故障诊断核心瓶颈的背景下,传统少样本学习(Few-shot Learning)通常仍需目标域中存在少量真实标记故障样本,属于监督学习范畴。而在航空发动机、高铁轴承等关键设备中,由于安全限制,真实故障样本几乎无法收集,零故障样本严重限制了模型学习代表性特征和泛化到未知条件的能力。零样本学习(Zero-shot Learning)虽能缓解特定故障类型完全未见的问题,但仍需已知故障样本作为知识迁移基础。零故障样本学习作为零样本学习的一个分支,是工业环境中更常见的应用场景,因为健康设备数据易于收集且获取门槛低。此外,虽然近年来将物理信息(如轴承故障特征频率、动力学微分方程、冲击衰减模型)与深度学习融合的研究取得了显著进展,但现有研究在构建高保真动力学模型、设计深层物理约束机制以及应对强噪声下模型不稳定性方面仍面临挑战。为此,研究人员提出了一种融合物理机制与深度学习的零故障样本诊断框架,该成果发表在《Engineering Applications of Artificial Intelligence》上。
主要关键技术方法
研究人员主要采用了以下关键技术方法:建立了目标轴承的四自由度(4-DOF)动力学模型以生成高保真的模拟故障振动信号;采用希尔伯特包络分析(Hilbert Envelope Analysis)与基于阶次谱(Order-Spectrum)的谐波特征提取方法处理信号,构建阶次域特征向量;提出了物理引导增强卷积神经网络(PGE-CNN),通过网络中的物理信息特征生成分支和物理先验融合策略(涉及多头注意力等机制)将物理信息嵌入训练过程;使用来源于凯斯西储大学(Case Western Reserve University)轴承数据中心的标准基准数据集(涵盖正常及内圈、外圈、滚动体故障等多种状态)进行实验验证。
研究结果
High-fidelity dynamic model of rolling bearings(滚动轴承高保真动力学模型)
研究人员指出,轴承动力学模型是分析轴承故障机制的有效工具,可实现故障轴承振动响应的理论仿真。为解决故障样本稀缺问题,研究人员利用丰富的故障信息,建立了四自由度(4-DOF)轴承动力学模型,以生成各种工况下的模拟振动信号。该模型主要由内圈、外圈等核心组件构成,用于捕捉不同方向上的动力学行为,并综合考虑相关激振力,从而实现对故障样本的精确模拟,为后续零故障样本诊断提供可靠的训练数据。
The proposed fault diagnosis framework(提出的故障诊断框架)
研究人员描述,在典型的轴承故障诊断场景中,深度学习模型通常使用目标轴承的健康和故障数据进行训练,通过学习不同状态的特征差异来实现故障识别。然而,在无法获取目标轴承真实故障数据的特殊情况下,深度学习模型无法学习其故障特征,导致诊断精度急剧下降。对此,研究人员提出了一种零故障样本诊断框架。该框架创新性地融合了高保真动力学模型与物理引导增强卷积神经网络(PGE-CNN),旨在克服传统数据驱动方法在零真实故障样本场景下的性能局限。具体而言,框架利用轴承动力学模型生成高保真仿真数据,然后提取域不变特征,实现从仿真域到真实域的知识迁移,从而在不使用任何真实故障样本的情况下实现准确诊断。
Description of data(数据描述)
研究人员说明,所使用的数据集来源于凯斯西储大学(Case Western Reserve University)轴承数据中心,这是被广泛采用的基准数据集,是在模拟工业条件下使用加速轴承试验台获取的。数据集包含正常运行和各种故障状态(包括内圈故障、外圈故障和滚动体故障)对应的振动信号,具有不同损伤直径,并在多种转速和负载条件下获取。
Conclusion(结论)
研究人员总结,为解决真实工业场景中故障数据稀缺导致的诊断难题,本研究提出了一种基于高保真动力学模型和物理引导增强卷积神经网络(PGE-CNN)的滚动轴承零故障样本诊断框架。该方法融合了故障仿真数据生成、包络阶次谱特征提取和物理先验融合,实现了从仿真域到真实域的精确零真实故障样本诊断。主要贡献包括:构建了高保真仿真模型以实现故障样本的精确仿真,为零故障样本诊断提供可靠训练数据;提出了基于包络阶次谱的故障特征提取方法,为后续分类提供有效特征向量;提出了物理引导增强卷积神经网络(PGE-CNN),通过将物理信息嵌入卷积神经网络训练过程,借助多头注意力等多模态融合机制和物理先验融合策略,提高了模型的诊断精度和可解释性;与现有的基线神经网络及最先进的网络模型相比,PGE-CNN实现了更优的诊断性能。实验结果显示,该方法能够在不使用真实故障样本的情况下实现有效的故障识别,并展现出良好的泛化能力和可解释性。
讨论总结
研究表明,在无法获取真实故障样本的工程实际限制下,通过高保真动力学模型生成仿真故障信号,并结合基于物理机制的深度学习网络(如PGE-CNN),可以有效地实现滚动轴承的故障诊断。这种方法不仅规避了真实故障数据缺失的瓶颈,还通过引入物理先验(如故障特征频率相关的阶次域特征)增强了模型的可解释性和跨域泛化能力,为关键旋转机械的健康监测提供了一种极具潜力的解决方案。