《Sensors》：Deep Denoising of Wavefront Sensor Signals via Physics-Aware Dual-Channel Decoupled Network (PRISM)
编辑推荐：
可靠的有感应电机轴承故障诊断对预测性维护和工业物联网(Industrial Internet of Things, IIoT)应用至关重要。然而，在随机或按测量样本划分数据的评估协议下表现良好的诊断模型，在部署于未见过的运行工况时可能失效。本研究利用控制的中等
可靠的有感应电机轴承故障诊断对预测性维护和工业物联网(Industrial Internet of Things, IIoT)应用至关重要。然而，在随机或按测量样本划分数据的评估协议下表现良好的诊断模型，在部署于未见过的运行工况时可能失效。本研究利用控制的中等规模Paderborn轴承数据集(Paderborn bearing dataset)中的振动与相电流(phase-current)信号，对有感应电机轴承故障诊断模型进行了面向鲁棒性的对比评估。研究人员对比了原始时域一维卷积神经网络(raw temporal 1D-CNN)模型、基于短时傅里叶变换(Short-Time Fourier Transform, STFT)的二维卷积神经网络(2D-CNN)表示，以及振动–电流融合策略，并在测量样本级划分(measurement-wise)与工况独占留一法(operating-condition holdout)协议下进行评价。在测量样本级验证下，1D-CNN早期融合(Early Fusion)模型获得宏F1值(Macro-F1)为0.9251；在更严格的工况独占设置下，同模型在评价的CNN模型中取得最高鲁棒性。多随机种子(multi-seed)验证确认其稳定性，平均Macro-F1为0.8626，最差情况Macro-F1为0.7159，鲁棒性得分(robustness score)为0.7850。所选模型保持轻量，需73,891个可训练参数，估计模型大小为0.282 MB。补充实验进一步探讨了轴承编号互斥验证(bearing-code-disjoint validation)及经典基线对比。在轴承编号互斥验证测试中，两类原始时域模型性能均下降，早期融合未显著优于仅振动学习；1D-CNN Vibration模型平均Macro-F1为0.5616，1D-CNN Early Fusion模型为0.5485，配对Wilcoxon检验无显著性(p = 0.2016)。使用手工提取时域、频域、包络启发式及谱峭度(spectral kurtosis)特征的经典基线中，最强者为振动特征XGBoost，工况独占验证下平均Macro-F1达0.8582。综上结果表明，在工况偏移(operating-condition shift)下轻量振动–电流早期融合提供了有利的鲁棒性–复杂度权衡；但轴承编号互斥结果显示对完全未见轴承个体泛化仍具挑战，故部署声明仅限于计算可行性指标，需在嵌入式硬件、额外数据集及更严跨域协议下进一步验证。
论文解读：基于Paderborn数据集的感应电机滚动轴承故障诊断模型工况偏移鲁棒性对比研究（《Sensors》发表）
一、研究背景与立题依据
滚动轴承是感应电机与电力传动系统的关键部件，其故障可导致异常振动、电流特征变化、效率降低甚至意外停机，因此可靠的轴承故障诊断(fault diagnosis)是电气设备状态监测与预测性维护(predicitve maintenance)的核心内容。深度学习(Deep Learning, DL)因能直接从测得信号中学习故障相关表示并减少人工特征提取依赖，已成为该领域主流方法。然而现有大量研究在随机或按测量文件划分数据（测量样本级验证 measurement-wise validation）的协议下报告高性能，此类协议训练集与测试集均含相似工况，无法真实反映现场电机遇未见转速、负载或径向力时的表现，易高估实际诊断能力。此外，振动信号被广泛使用，而电机本就具备定子或相电流(phase-current)测量，电流法有望减少额外传感器需求，但其单独及辅助价值在未见过工况下的严格测试中尚不明晰；峰值准确率亦不能反映最坏情况性能、跨工况变异性、随机种子稳定性、模型尺寸或推理效率。为此，研究人员以Paderborn轴承数据集中等规模子集为对象，在同一预处理与验证协议下系统比较原始时域学习、STFT(Short-Time Fourier Transform)时频学习、振动–电流融合策略及经典机器学习基线，旨在明确哪种信号表示与融合策略在工况偏移(operating-condition shift)下提供最佳鲁棒性–复杂度(robustness–complexity trade-off)权衡，并探讨轴承编号互斥泛化的困难。
二、主要关键技术方法
研究人员选用Paderborn轴承数据集含22个轴承编号（健康6个、人工损伤8个、真实损伤8个）及4种工况（N09_M07_F10、N15_M01_F10、N15_M07_F04、N15_M07_F10），每测量文件取10段不重叠4096采样点信号段，共17,590段。信号经仅基于训练集的归一化后输入以下模型族：振动单模态1D-CNN(Vibration)、相电流单模态1D-CNN(Current-only)、振动–电流双通道输入1D-CNN早期融合(Early Fusion)、基于STFT的2D-CNN、双分支特征融合(Dual-Branch Feature Fusion)、门控融合(Gated Fusion)；另提取时域/频域/包络启发式/谱峭度手工特征配Random Forest/Extra Trees/Linear SVM/XGBoost作经典基线。验证协议含：(1)测量样本级分组留出验证（防段级泄露）；(2)工况独占留一法验证(operating-condition holdout validation)，逐次将整组工况排除出训练/验证作未见测试集；(3)对最强两原始时域模型做三随机种子多种子验证(multi-seed validation)；(4)轴承编号互斥验证(bearing-code-disjoint validation)，测试集用训练中完全未出现之轴承编号；(5)参数量、模型大小、推理时间及吞吐量评估。主指标为各类别F1平均值即宏F1(Macro-F1)、加权平均F1(weighted F1)、鲁棒性得分＝均值Macro-F1－标准差Macro-F1、最差情况Macro-F1及多种子统计。
三、研究结果
4.1. Measurement-Wise Baseline Performance（测量样本级基准性能）
在测量样本级验证下，1D-CNN Early Fusion模型准确率0.9259、Macro-F1 0.9251最优；Vibration模型Macro-F1 0.8963次之；Current-only模型Macro-F1仅0.2594，表明单相电流原始信号不足以可靠三分类，但此协议无法评估跨工况泛化。
4.2. Operating-Condition Holdout Performance（工况独占留一法性能）
逐次将一种工况作未见测试集，N09_M07_F10（低转速组合）为最具挑战性保持条件，多数模型在此Macro-F1明显下降。Early Fusion在该最难条件下Macro-F1达0.7474，优于Vibration单模态及STFT早期融合；双分支特征融合于此条件均值最高但于N15_M01_F10下降明显致稳定性不足；STFT模型在两高转速工况表现好但N09_M07_F10退化大；Current-only各条件均低。表明原始时域早期融合在跨条件平均与最差情况间平衡较好。
4.3. Robustness Analysis Across Unseen Operating Conditions（跨未见工况鲁棒性分析）
汇总四保持测试结果，Early Fusion模型平均Macro-F1 0.8595、最差Macro-F1 0.7474、鲁棒性得分0.7834居首；Vibration模型次之；更复杂之门控或双分支融合未优于简单早期融合且参数量更大；STFT模型跨条件变异度大。证明架构复杂度不保证更好鲁棒性。
4.4. Robustness–Complexity Trade-Off（鲁棒性–复杂度权衡）
参数量–鲁棒性得分气泡图显示Early Fusion以约7.4万参数获最高鲁棒性得分，门控融合参更多却得分更低，表明增融合复杂度未必改善工况泛化，简单输入级融合法提供更实用折衷。
4.5. Multi-Seed Validation of the Strongest Raw Temporal Models（最强原始时域模型多种子验证）
对Vibration与Early Fusion以种子{42,123,2024}各做四保持测训。Vibration模型跨种子及保持条件标准差大（N09_M07_F10下Macro-F1 0.6162±0.2499）；Early Fusion更稳定（同条件0.7378±0.0293）。全保持条件合算，Vibration均值Macro-F1 0.7652、最差0.3279、鲁棒性得分0.5538；Early Fusion均值0.8626、最差0.7159、鲁棒性得分0.7850。相电流辅助提升最坏情况及跨种子稳定性，支持选Early Fusion为最终模型。
4.6. Complexity and Inference-Time Comparison（复杂度与推理时间比较）
Early Fusion模型73,891参数、约0.282 MB、单段推理0.5835 ms（NVIDIA Tesla T4 GPU批量128）、吞吐1713.75段/秒，结合前述鲁棒性为最有利组合，虽未直接在嵌入式设备验证但具计算可行性指示。
4.7. Bearing-Code-Disjoint Validation（轴承编号互斥验证）
完全排除测试用轴承编号出训练/验证，两模型性能均较工况保持大幅下降——Vibration均值Macro-F1 0.5616±0.2500，Early Fusion 0.5485±0.2443，鲁棒性得分各0.3116与0.3042；配对Wilcoxon检验无显著差异(p=0.2016)。说明工况偏移下早期融合优势不延伸至完全未见轴承个体泛化，主要结论限定于工况偏移情形。
4.8. Classical Machine-Learning Baseline Performance（经典机器学习基线性能）
测量样本级下振动–电流特征XGBoost近完美（Macro-F1 0.9937）；工况保持中最强为振动特征XGBoost均值Macro-F1 0.8582、鲁棒性得分0.7040，与CNN早期融合具可比性，证实强手工特征管线在跨工况仍具竞争力，但需特征工程而CNN自原始信号学习。
四、讨论与结论总结
研究人员讨论指出：(1)工况偏移显著影响泛化，N09_M07_F10因低转速不同分布最难；(2)振动为主诊断源，相电流单独不足但作辅助模态与振动早期融合可提稳定性，源于机电耦合中间接电流信息辅助卷积核学联合时域模式；(3)简单早期融合胜复杂特征级/门控融合，后者易学工况依赖特征致过拟合；(4)原始时域学习比固定参数STFT在某些偏移条件更稳定；(5)多种子验证确证Early Fusion稳定优势；(6)轴承编号互斥揭示未见轴承身份泛化更难，经典基线印证需共评；(7)实际部署应考量严格验证协议、最坏情况、稳定性及复杂度，Early Fusion轻量适合边缘候选但需实机嵌入式验证；(8)局限含单数据集子集、鲁棒性得分为启发式描述子、单振/单电流通道、离线分段诊断等，未来需跨数据集、多传感、在线流处理、域泛化(domain generalization)及嵌入式实测。
结论(Conclusions)翻译浓缩：
本研究提出面向工况偏移之有感应电机轴承故障诊断鲁棒性对比框架，采用振动与相电流信号及严格工况独占留一法验证。评价原始时域1D-CNN、电流单模态、振动–电流早期融合、STFT-2D-CNN、双分支及门控融合等策略。结果表明电流单模态不足以可靠三分类；振动学习性能强；振动–电流早期融合获最佳鲁棒性–复杂度权衡——多种子下均值Macro-F1 0.8626、最差0.7159、鲁棒性得分0.7850，仅需73,891参数及约0.282 MB，GPU环境推理0.5835 ms/段。简单输入级融合优於复杂融合机制当联合考虑工况偏移、最坏情况、模型尺寸与推理效率时。补充轴承编号互斥验证显示完全未见轴承个体泛化更难，早期融合未显著优於仅振动模型，主结论限定於工况偏移而非轴承身份泛化。经典基线中振动特征XGBoost工况保持均值Macro-F1 0.8582，印证强传统特征方法可比肩。诊断模型评估须超越峰值准确率，纳入测量样本级性能、工况保持鲁棒性、最差Macro-F1、跨种子稳定性、复杂度及推理时间；轻量原始时域CNN早期融合与强经典特征基线均可在工况偏移下提供有用诊断鲁棒性。未来工作含扩展至其它数据集、实机环境、多传感器、在线流诊断及嵌入式部署，以及域泛化与注意力机制探究。
