《Electronics》：Principles, Development History, and Future Prospects of Underwater Ultrasonic Wireless Power Transfer Technology
编辑推荐：
跨转速轴承故障诊断面临一个物理障碍：轴承特征频率与轴转速成正比，因此相同故障在源域与目标域转速不同时会在频谱上发生偏移，导致基于源域训练的特征映射在目标域上退化，在大转速间隙下现有域适应方法的內圈故障召回率趋近于零。研究人员提出一种物理先验自适应网络（Phys
跨转速轴承故障诊断面临一个物理障碍：轴承特征频率与轴转速成正比，因此相同故障在源域与目标域转速不同时会在频谱上发生偏移，导致基于源域训练的特征映射在目标域上退化，在大转速间隙下现有域适应方法的內圈故障召回率趋近于零。研究人员提出一种物理先验自适应网络（Physics-Prior Adaptive Network, PPAN），其核心是物理频率归一化（Physical Frequency Normalization, PFN），将振动频谱从绝对赫兹坐标变换到以内圈滚过频率（Ball Pass Frequency Inner, BPFI）为基准的归一化坐标系，使不同转速下同类故障特征对齐；配合物理引导谱注意力（Physics-Guided Spectral Attention, PGSA）及在归一化频域执行的条件域适应。所有结果均在严格的无泄漏协议下获得，目标域标签不参与模型选择。在Paderborn数据集（1500–900 rpm，40%转速间隙）上，PPAN达到67.1%目标域准确率，并将内圈故障召回率从近零（无适应直接迁移为0.0%）提升至88.2%，优于八个代表性基线方法（一个无适应下界与七种统计域适应方法）。受控消融实验分离了PFN的贡献，表明增加时域分支及双分支融合会降低内圈召回率，支持单分支、物理优先的设计理念。
一、研究背景与意义
滚动轴承是旋转机械的核心传动部件，约30%的旋转机械故障源于轴承损伤。传统深度学习轴承故障诊断方法在实验室单一工况下表现良好，但其隐含假设——训练（源域）与测试（目标域）数据同分布——在工业实际中难以满足。机器服役过程中转速、载荷、润滑状态的变化会引起振动信号统计特性漂移，其中转速变化导致的特征频率漂移最为棘手：轴承特征故障频率如内圈滚过频率（Ball Pass Frequency Inner, BPFI）、外圈滚过频率（Ball Pass Frequency Outer, BPFO）和滚动体自旋频率（Ball Spin Frequency, BSF）均与轴转速严格成正比（BPFI(ω)=(n/2)·(1+(d/D)cosα)·ω/60）。当源域1500 rpm、目标域900 rpm时，BPFI分别从139.1 Hz漂移至83.5 Hz（约40%偏移），导致源域学到的"某频率处谱峰→某故障类型"映射在目标域完全失效，已有统计域适应方法对此物理性频移的修正能力有限。阶次跟踪虽可消除转速波动影响，但需瞬时转角/键相信号且主要针对同记录内波动而非不同稳态转速间的迁移。为此，研究人员开展将轴承运动学物理先验嵌入数据预处理流程的研究，提出物理先验自适应网络（Physics-Prior Adaptive Network, PPAN），发表于《Electronics》。
二、主要关键技术方法
研究选用Paderborn（PU）数据集（6203深沟球轴承，64 kHz，1500 rpm→900 rpm跨转速迁移）为主实验，Case Western Reserve University（CWRU）数据集（6205-2RS SKF轴承，48 kHz，1797→1730 rpm小转速间隙）作跨数据集验证；每类取600段长度L=2048、75%重叠的振动信号。核心方法含三步预处理与建模：（1）物理频率归一化（Physical Frequency Normalization, PFN）：对原始信号加Hanning窗并8倍补零FFT得log幅值谱，据已知转速ω计算BPFI构建归一化频率轴f?=f/BPFI（覆盖0～5倍BPFI），将绝对频率谱线性插值重采样至K=128点的归一化频谱；（2）物理引导谱注意力（Physics-Guided Spectral Attention, PGSA）：在归一化频域用Transformer注意力，叠加以BPFI基频（1.0×）、BPFO/BPFI（≈0.617×）及BSF/BPFI（≈0.358×）各阶谐波处的高斯核构建物理先验掩模引导注意力分布，通过可学习融合权重平衡数据驱动注意力与物理先验注意力并加物理一致性正则项；（3）跨工况对齐模块（Cross-condition Alignment Module, CAM）：在归一化频域特征上用随机傅里叶特征（Random Fourier Features, RFF）近似条件最大均值差异（Conditional Maximum Mean Discrepancy, CMMD）做无监督类条件对齐，目标伪标签置信度阈值自适应由0.90降至0.75。总损失为分类交叉熵（带标签平滑）+α·Lalign+β·Lphys+γ·Lconsist（目标域扰动一致性），两阶段训练：前30轮仅优化源分类器预热，之后激活条件对齐与伪标签策略。评估采用严格无泄漏协议——按采集记录（run）级切分防窗口重叠泄露，目标标签不参于模型选择与超参数确定，用目标预测熵准则选最优轮次，最终在隔离的目标测试集上一次性评估，五随机种子重复取均值±标准差，并与Source Only、DANN、CDAN、CORAL、DSAN、MCC、MCD及原型对齐方法等八基线对比。
三、研究结果
4.1 Datasets and Experimental Setup（数据集与实验设置）
明确PU数据集取正常（K001–K004）、人工内圈损伤（KI01/KI03/KI05/KI07）、人工外圈损伤（KA01/KA03/KA05/KA07）三类，跨转速任务为N15_M07_F10（1500 rpm，0.7 N·m，1000 N径向力）→N09_M07_F10（900 rpm同载荷同径向力）；CWRU取0 HP→3 HP（1797→1730 rpm）作跨数据集可迁移性验证。说明PU仅提供两转速故最大可验转速间隙为40%，给出模型参数量约3.33 M、Batch Size 32、Adam优化器、余弦退火学习率等实现细节及无泄漏划分与敏感性检验说明。
4.2 Comparison Methods（对比方法）
列出八种基线：Source Only（无适应下界）、DANN、CDAN、CORAL、DSAN、MCC、MCD及原型无监督域适应（Proto-UDA），均用相同骨干网与数据划分。
4.3 Main Experimental Results（主要实验结果）
在PU跨转速任务（1500→900 rpm）上，Source Only内圈召回率为0.0%，证实未适应模型无法识别40%转速间隙下的内圈故障；DANN（28.9%）、CDAN（31.9%）甚至低于无适应基线（50.9%），说明绝对频域统计对齐会丢弃最具判别性的故障频带信息。PPAN取得目标域准确率67.07%±4.00%（Macro-F1 0.664，AUC 0.859），内圈召回率升至88.2%，显著优于所有基线（配对t检验p<0.03）；反向迁移（900→1500 rpm）PPAN同样最优（准确率58.48%，内圈召回86.8%）。时频双分支融合变体内圈召回降至51.2%、准确率降至59.67%，证实单频域分支更优。
4.4 Ablation Study（消融实验）
逐组件消融显示：去除PFN内圈召回仅58.0%，加入PFN后升至86.8%且准确率提升6.4个百分点，证明内圈恢复源自物理频率对齐而非架构容量；加入PGSA后准确率再升7.1个百分点至67.07%，物理先验掩模（锚定于类可分BPFI基频及其低次谐波而非能量主导但类共享的三次谐波）比普通自注意力准确率高3.5个百分点，可学习融合权重优于固定权重；双分支融合有害（内圈召回降、方差增大）；PFN基础上单独添加CMMD可使内圈召回从82.0%升至86.8%，但PGSA就位后移除CMMD对性能影响在标准差范围内，说明CMMD与PGSA部分冗余，保留CMMD作为物理先验弱化时的独立恢复路径。
4.5 Cross-Dataset Transferability Verification（跨数据集可迁移性验证）
CWRU小转速间隙（~3.7%）任务中PPAN达94.7%±3.6%，低于Source Only（99.7%）和CDAN（99.96%）。作者指出小间隙下特征频移可忽略、原始时域特征近稳态，普通CNN已近饱和，PFN归一化与伪标签引入轻微不稳定属预期——PPAN专为大幅转速间隙设计，此实验仅证跨数据集/采样率/试验台不经调参仍可达较高绝对精度，非竞争性对比。
4.6 Mechanism Analysis and Visualization（机制分析与可视化）
4.6.1 Training-Dynamics Analysis（训练动态分析）：预热阶段源验证准确率升至约80%；条件MMD损失在30轮后激活，伪标签保留率升至约60%；PGSA融合权重λ由0.5缓升至约0.608，物理先验始终保持约40%注意力贡献；物理先验损失与一致性损失数值接近零。
4.6.2 Feature-Space Structure Analysis（特征空间结构分析）：t-SNE显示源域与目标域样本在PFN归一化坐标下良好混合，证明域间特征边界大幅缩小；按故障类别着色时外圈形成紧凑簇，内圈与正常类部分重叠（轮廓系数0.137），与混淆矩阵残差误判一致。
4.6.3 Confusion Matrix and ROC Analysis（混淆矩阵与ROC分析）：目标域混淆矩阵平均过五种子：内圈故障召回88.2%，正常类62.1%（37.0%误判为内圈），外圈类50.9%（分别约24.9%误判内圈、24.2%误判正常），内圈误判为外圈仅0.1%。三类别AUC均>0.83（正常0.834、内圈0.875、外圈0.904），宏平均AUC 0.859。
4.6.4 Interpretability of Physics-Guided Attention（物理引导注意力的可解释性）：PGSA学到的注意力峰值位于归一化频率约1.06×BPFI（即BPFI基频锚点附近），而非能量最大的三次谐波（约2.87×BPFI），说明物理先验引导注意力聚焦于携带类可分信息的基频而非能量主导但类共享的高次谐波。
4.7 Robustness to Speed-Estimation Error（转速估计误差鲁棒性）
对归一化所用转速施加±2%、±5%、±10%扰动，±5%内准确率保持约66%–67%、内圈召回84%–96%，±10%时明显退化，表明PFN容忍工程常见转速测量误差。
4.8 Sensitivity to Normalized-Spectrum Resolution (K)（归一化频谱分辨率敏感性）
K=128时最优（准确率67.07%，内→外混淆仅0.1%）；K=64时刻谐波混叠致内→外混淆升至8.3%、准确率降至60.0%；K>128无进一步收益。外→内混淆（约22%–25%）在各K下基本不变，属低速下外圈特征固有模糊性而非分辨率效应。
四、讨论与结论
讨论部分指出：对具已知物理规律的速度引起域偏移，在偏移源头（坐标变换）对齐比纯统计特征分布匹配更有效；PFN作为预处理步骤仅每样本一次FFT与插值（约0.5 ms/样本），不引入可训练参数，可低成本嵌入任意频域诊断框架；其坐标变换思想对有已知特征频率的齿轮箱啮合频率、电机断条频率、压缩机活塞频率等监测任务具参考价值。局限性含PU数据集最大转速间隙仅40%无法验证更大间隙、K=128为经验优选、推理依赖已知转速（缺转速时需从振动信号估转频或放宽掩模）、实验仅覆盖正常/内圈/外圈未含滚动体/保持架/复合故障及跨轴承类型迁移。
结论翻译总结：针对跨转速轴承故障迁移诊断中特征频率与转速成正比漂移这一主导性物理成因，研究人员提出物理先验自适应网络（PPAN），核心为物理频率归一化（PFN）——将振动频谱坐标系变换至以BPFI为基准的归一化空间，从根源削弱绝对频域特征频率位置成比例漂移造成的跨转速域偏移的主要成分，残余统计失配由后续频域处理部分解决。在归一化频域中，物理引导谱注意力（PGSA）利用轴承运动学公式导出的恒定物理先验约束Transformer注意力以获得近似转速不变特征提取；引入频域条件最大均值差异（CMMD）处理PFN后残差统计分布差异（在此任务上边际贡献有限）；模型采用两阶段训练保证稳定收敛。在Paderborn 1500–900 rpm（40%转速间隙）跨转速迁移任务、严格无泄漏且目标标签不参于模型选择协议下，PPAN达67.1%目标域准确率并将内圈召回率从近零（无适应直接迁移0.0%）提升至88.2%，优于八种代表性基线且在反向迁移中保持同等排序。受控消融确认PFN是内圈恢复的关键组件，时频双分支融合降低内圈召回（支持单分支物理优先设计），PGSA就位后CMMD边际贡献微小。研究表明将物理知识显式编码为坐标变换嵌入数据预处理流程是应对物理支配型域偏移的有效途径，对广义物理系统状态监测具参考价值。
