基于物理信息与多尺度图学习的小样本条件下齿轮箱故障诊断方法

《Processes》:A Gearbox Fault Diagnosis Method for Small-Sample Conditions Based on Physics-Informed and Multi-Scale Graph Learning

【字体: 大 中 小 】 时间:2026年06月25日 来源:Processes 3.4

编辑推荐:

  现有的智能故障诊断方法忽略了不同位置传感器对模型故障诊断性能的影响。此外,可解释性的缺乏导致模型故障诊断结果的可靠性不足。因此,研究人员提出了一种基于物理信息的多传感器信息融合齿轮箱故障诊断方法。该方法由物理信息浅层特征提取模块(physics-informe

  
现有的智能故障诊断方法忽略了不同位置传感器对模型故障诊断性能的影响。此外,可解释性的缺乏导致模型故障诊断结果的可靠性不足。因此,研究人员提出了一种基于物理信息的多传感器信息融合齿轮箱故障诊断方法。该方法由物理信息浅层特征提取模块(physics-informed shallow feature extraction module)、分层多尺度图学习模块(hierarchical multi-scale graph learning module)和自适应特征融合模块(adaptive feature fusion module)组成。浅层特征提取模块由拉普拉斯卷积(Laplacian convolution)构成。多尺度拉普拉斯卷积核用于捕获多频率和多尺度特征信息,丰富故障表示。分层多尺度图学习模块采用图卷积神经网络(graph convolutional neural network, GCN)进行深度多传感器故障特征提取,以生成高级特征。自适应特征融合模块通过注意力分数(attention scores)实现对重要传感器数据的加权和冗余信息的抑制。该方法在两个齿轮箱数据集上进行了验证。结果表明,当应用于东南大学(SEU)数据集时,所提方法在小样本条件下比当前最优方法(MIFNet)的诊断准确率高出5.8%。在噪声环境下,所提方法的平均诊断准确率比当前最优方法(LiConvFormer)高出1.8%。这表明所提方法具有优越的故障诊断性能,能够有效处理小样本条件和噪声环境下的故障诊断任务。
**论文解读:基于物理信息与多尺度图学习的小样本齿轮箱故障诊断方法**

**研究背景与问题**
齿轮箱作为旋转机械的核心动力传输部件,广泛应用于风电、水电及交通运输等关键领域,其稳定性直接决定设备的安全性与可靠性。据统计,齿轮箱故障占旋转机械总故障的30%以上,每年造成全球经济损失超过50亿美元。尤其在高速重载场景下,齿轮断裂、轴承疲劳等突发故障常导致设备损坏、生产停滞甚至人员伤亡。因此,准确高效的齿轮箱故障诊断对推动预测性维护和保障设备安全运行至关重要。现有数据驱动方法主要依赖单传感器数据,但单传感器信号易受安装位置和环境噪声干扰,难以捕捉微弱早期故障特征;同时,单一物理参数(如温度、油质)仅能反映局部运行状态,无法全面表征齿轮箱复杂耦合机制,导致小样本条件下泛化能力不足。尽管多传感器融合方法已取得进展,但仍面临数据维度不一致、结构异构、非线性强及时变特性等挑战,且故障样本稀缺限制了模型训练效果。此外,现有模型普遍缺乏可解释性,诊断结果可靠性不足。为此,研究人员提出了一种基于物理信息的多传感器融合齿轮箱故障诊断方法,旨在提升小样本和噪声环境下的诊断性能与可解释性。该论文发表在《Processes》。

**关键技术方法**
研究人员设计了三个核心模块:物理信息浅层特征提取模块(PISFEM)、分层多尺度图学习模块(HMGLM)和自适应特征融合模块(AFFM)。PISFEM引入拉普拉斯算子(Laplacian operator)构建多尺度卷积核,利用其明确的物理意义提取振动信号中不同频率和尺度的故障特征。HMGLM基于图卷积神经网络(GCN)构建多传感器节点间的空间拓扑关系,通过多阶图卷积和通道注意力机制进行深层特征挖掘。AFFM采用软最大化函数(softmax)和卷积块注意力模块(CBAM)对多传感器特征进行加权融合,突出关键故障信息并抑制冗余。方法在东南大学(SEU)齿轮箱数据集和实验室滚轮齿轮(RG)故障模拟试验台数据集上验证,样本来源明确。

**研究结果**
**4.1 SEU数据集描述**:选用20Hz-0V工况下的轴承和齿轮数据,包含5种轴承健康状态和5种齿轮健康状态,每类故障有8通道信号,选取行星齿轮箱X、Y、Z三轴数据进行多传感器融合实验。

**4.2 模型参数与超参数设置**:采用Adam优化器,通过网格搜索确定学习率0.0001、批大小64、训练轮次100。对比方法包括IF-EDAAN、MIFDELN、MLGFF、MIFNet、EWSNet、LiConvFormer、MSAWS和GMAML。

**4.3 SEU数据集小样本条件下故障诊断结果**:在每类故障样本数20、30、40、50下,所提方法平均诊断准确率87.99%,比最优对比方法MIFNet高5.73%,比LiConvFormer高7.63%。统计显著性检验(p<0.05)表明提升非随机波动。训练曲线显示模型在40轮前快速收敛,无过拟合。t-SNE可视化显示所提方法聚类效果最佳,同类故障紧密聚集,异类清晰分离。

**4.4 SEU数据集噪声条件下故障诊断结果**:在-4 dB至10 dB高斯白噪声下,所提方法平均准确率96.07%,比LiConvFormer(94.27%)高1.8%,显著优于其他方法,归因于HMGLM有效提取关键特征。

**4.5 SEU数据集不同传感器融合结果**:随传感器数量增加,诊断准确率上升。X+Y+Z三轴融合时达到最高,验证了多模态信息融合增强故障表征能力。

**4.6 RG数据集描述**:来自滚轮齿轮故障模拟试验台,包含完整齿断裂、小端半齿断裂、大端半齿断裂、均匀磨损和正常状态,采集X、Y轴振动信号。

**4.7 RG数据集小样本条件下故障诊断结果**:所提方法平均准确率94.06%,比LiConvFormer(88.26%)高5.8%,比MIFNet(86.23%)高7.83%。t-SNE可视化显示所提方法类间距离大、类内紧凑,判别性最强。

**4.8 RG数据集噪声条件下故障诊断结果**:在-4 dB至10 dB噪声下,所提方法平均准确率比LiConvFormer高1.03%,进一步证明鲁棒性。

**4.9 RG数据集传感器融合结果**:单轴传感器存在误分类,X+Y双轴融合后准确率显著提升,所有故障类别均可准确识别。

**4.10 消融实验与参数敏感性分析**:
- **M1**:移除PISFEM后SEU数据集准确率下降6.06%~9.24%,说明物理信息引导的浅层特征提取可捕获更多故障信息。
- **M2**:移除HMGLM后准确率下降2.96%~8.88%,表明多尺度图学习模块能有效学习多尺度特征。
- **M3**:移除AFFM后准确率下降7.54%~11.16%,对模型性能影响最大,证明自适应融合模块能选择关键特征。
- **M4**:单传感器输入时准确率下降1.87%~2.34%,验证多传感器融合的必要性。
- **M5**:交换PISFEM与HMGLM顺序后准确率下降2.31%~3.77%,说明PISFEM作为初始层更有效。
特征可视化显示所提方法激活区域更集中,而移除各模块后高权重特征分布减少。不同传感器特征值曲线不重叠,互补峰值出现在关键故障位置。拉普拉斯算子数量敏感性分析表明,采用π、2π、3π(L3)时性能最佳,过多或过少均不利。

**4.11 可解释性与时效性**:
- **可解释性实验**:通过时间序列梯度激活映射(T-GAM)可视化,PISFEM能聚焦于振动信号中故障脉冲对应区域(如均匀磨损的周期性脉冲和完全齿断裂的局部冲击),绿色高权重区域与故障位置一致。
- **时效性实验**:所提方法训练时间5.14秒,参数量1.61 MB,仅次于LiConvFormer(5.02秒,1.23 MB),优于其他方法,兼具高效性和轻量化。

**讨论与结论**
论文讨论部分指出,所提方法通过物理信息引导的浅层特征提取增强了模型可解释性,分层多尺度图学习模块有效挖掘异构多传感器数据的耦合关系,自适应特征融合模块提升了小样本和噪声下的鲁棒性。消融实验证实各模块均不可或缺,且多传感器融合优于单传感器。未来工作将聚焦于轻量化设计及跨域齿轮箱故障诊断,解决变工况、跨设备、跨数据集场景下的故障迁移与泛化问题。
**研究结论**:本文针对现有智能诊断模型忽略传感器位置影响和可解释性不足的局限,提出了一种基于物理信息的多传感器数据融合齿轮箱故障诊断方法。该方法首先设计物理信息浅层特征提取模块,利用具有物理特性的拉普拉斯卷积进行多尺度特征提取;然后构建分层多尺度图学习模块,通过多阶图卷积模块进一步提取不同传感器数据的故障特征并生成高级特征表示;最后,自适应特征融合模块对不同通道的传感器数据进行加权融合。在齿轮箱数据集上的有效性验证表明,当应用于RG数据集时,所提方法在噪声环境下的平均诊断准确率比当前最优基线方法(LiConvFormer)高1.03%。融合不同位置传感器数据后,所提方法获得了更高的故障诊断准确率。
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