磨损条件下基于深度学习的TENG轴承故障诊断方法研究

《Micromachines》：Research on Deep Learning-Based Method for Bearing Fault Diagnosis in TENG Under Wear Conditions

　　

摩擦纳米发电机（Triboelectric Nanogenerator, TENG）作为一种新兴的自供电传感器，广泛应用于旋转机械轴承故障诊断领域。由于其工作原理基于摩擦起电和静电感应效应，摩擦层的表面形貌和电荷转移效率对TENG的输出性能有显著影响。在长期机械运动下，摩擦层可能发生磨损，持续磨损会导致表面形貌损伤甚至破坏摩擦层结构，逐渐破坏TENG的信号采集和输出能力，造成信号退化及轴承故障特征偏移，进而导致轴承故障诊断精度下降。传统解决方案侧重于材料性能和结构优化。本文通过TENG输出电压公式推导了摩擦层厚度对输出信号的影响机理，并采用不同厚度的摩擦层模拟不同程度磨损，开展基于深度学习的轴承故障诊断实验。实验结果表明，尽管CNN模型能较好识别TENG信号进行轴承故障分类，但磨损信号的轴承故障特征发生偏移，CNN诊断精度下降。引入一维自注意力增强卷积神经网络（1D Self-Attention CNN）模型及增量学习方法后，磨损后轴承故障诊断精度得到提升。本研究为磨损条件下TENG轴承故障的长期稳定诊断提供了理论支持和实践方案。

论文解读：磨损条件下基于深度学习的TENG轴承故障诊断方法研究

**研究背景**
旋转机械的可靠运行是现代工业系统的基础，意外故障可能导致重大经济损失和安全事故，因此状态监测与轴承故障诊断至关重要。摩擦纳米发电机（Triboelectric Nanogenerator, TENG）作为一种新兴的自供电传感技术，凭借其柔性、结构简单、成本低及环境适应性强的特点，在轴承故障诊断领域受到广泛关注。然而，TENG基于接触起电和静电感应的工作原理存在固有矛盾：高摩擦接触是电荷产生的前提，但持续机械运动必然导致摩擦层磨损。磨损会降低摩擦层表面形貌和电荷转移效率，引起信号退化，进而导致诊断精度下降，甚至造成设备健康状态的误判，威胁整个机械系统的安全。

**现存问题与研究必要性**
现有研究主要围绕三种策略解决磨损与信号输出的权衡：一是材料强化，通过复合材料或纳米颗粒增强摩擦层；二是润滑油脂及添加剂，在降低摩擦的同时提升起电性能；三是TENG器件的结构优化，以平衡电荷产生与磨损减少。然而，这些方案均面临实际限制：材料与结构优化制备成本高、设计复杂、开发周期长，且难以在不同应用场景间迁移，严重阻碍了TENG诊断系统的工业推广。因此，亟需一种不依赖复杂材料或结构变化的低成本、可复现的方法，以缓解TENG磨损造成的信号退化与诊断精度下降问题。

**研究内容与结论**
本文提出一种融合材料科学与数据驱动深度学习的全新思路。研究人员通过TENG输出电压公式推导了摩擦层厚度对输出信号的影响机理，以厚度减小模拟机械磨损，并系统采集了模拟磨损条件下的轴承故障数据。主要结论包括：第一，增量学习可有效补偿磨损失效引起的诊断精度下降；第二，提出的一维自注意力增强卷积神经网络（1D Self-Attention CNN）作为基准模型，进一步提升了诊断可靠性。这些发现为TENG传感器在复杂真实磨损条件下实现长期稳定轴承故障诊断提供了理论与工程路径。论文发表在《Micromachines》。

**主要技术方法**
研究人员采用DDS旋转机械轴承故障诊断试验台，包含四种轴承类型（健康、球故障、内圈故障、外圈故障），三种转速（300 rpm、600 rpm、900 rpm），以及通过控制摩擦层厚度（1 mm无磨损、0.8 mm轻微磨损、0.5 mm严重磨损）模拟不同磨损程度。信号采集使用示波器，采样频率1 kHz，采样时长10秒。模型方面，构建了标准卷积神经网络（CNN）与一维自注意力增强卷积神经网络（1D Self-Attention CNN），并采用基于数据回放的增量学习策略，在微调阶段混合新旧数据训练，结合极低学习率与分层微调，以平衡新旧知识更新。

**研究结果**

**4.1 实验环境与参数设置**
实验在Windows 11系统上进行，GPU为GeForce GTX 4070，使用Python 3.8.19。数据集中每个文件包含1000个数据点，共36种工况文件。每个样本含800个数据点，采样间隔设为100以保证数据独立性。数据集分为4类（健康、球故障、内圈故障、外圈故障），每类93个样本，共372个样本，训练集与测试集按8:2划分。损失函数采用交叉熵损失（CrossEntropy Loss），优化器为Adam，增量学习训练中采用分层学习率策略。评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数。通过比较不同记忆集大小（100、125、150、175、200）的准确率，发现记忆集大小150时新旧知识冲突最剧烈，作为最严苛条件验证方法鲁棒性，最终选定150作为标准配置。

**4.2 结果与分析**
使用无磨损数据训练CNN与1D Self-Attention CNN模型，测试显示两模型在无磨损数据上均可达到高准确率，但1D Self-Attention CNN略优。将训练好的CNN模型直接用于磨损数据测试，准确率仅约19%，表明信号退化严重干扰模型识别。1D Self-Attention CNN直接测试准确率约56%，尽管下降，但优于CNN，体现自注意力机制通过全局连接缓解信号退化的能力。采用增量学习方法优化CNN后，准确率从19%提升至45.75%；优化1D Self-Attention CNN后，准确率从59%提升至86.66%。混淆矩阵显示，健康样本识别准确，球故障与内圈故障存在少量误判，外圈故障与球故障、内圈故障易混淆，原因可能是外圈距传感器较远导致冲击能量衰减。不同转速下，标准1D Self-Attention CNN在600 rpm和900 rpm磨损数据上准确率达100%，300 rpm为98.67%；引入增量学习后准确率略有下降，但900 rpm下降最小，可能因高速下新旧数据特征分布差异较小。

**4.3 特征可视化与分析**
t-SNE特征可视化显示，无磨损数据下四种轴承故障特征边界清晰，分类完全。直接使用磨损数据训练模型时，特征出现严重堆叠与多簇分布，健康特征分为两个主中心，内圈故障多簇，球故障与外圈故障大量交叉，导致分类准确率下降。这验证了磨损引起的特征域偏移（domain shift）破坏了原始故障特征分布边界。引入增量学习后，特征被拉回各自聚类中心，形成清晰分区，健康特征与其余三类边界分明，内圈故障特征集中于左上区域，球故障与外圈故障虽有重叠但核心区域聚类良好，表明增量学习实现了特征对齐与聚类，既保留了旧工况识别能力，又快速适应了磨损信号分布。

**ROC曲线分析**
1D Self-Attention CNN直接用于磨损数据时，ROC曲线显示整体性能显著下降，除健康类别外，其余三类AUC值均低于0.5，表明模型几乎丧失区分能力，导致灾难性遗忘。引入基于数据回放的混合增量学习方法后，模型ROC曲线大幅改善，四类轴承故障的AUC值介于0.977至1之间，曲线紧贴左上角，几乎无误判，验证了增量学习策略能有效缓解TENG摩擦磨损引起的信号域偏移与特征重叠问题，实现磨损适应，提升诊断精度。

**结论总结**
TENG及相关传感器依赖摩擦起电实现信号传输，因此减少摩擦是满足长期监测需求的必要前提。现有方案从材料耐磨性优化、润滑及结构优化入手，成本高昂。本文提出一种结合自注意力机制与增量学习的方法。磨损模拟实验与轴承故障诊断实验表明，该方法能有效缓解TENG磨损导致的信号退化与轴承故障特征偏移，使模型在适应磨损特征的同时不遗忘原始轴承故障特征，从而提升TENG传感器轴承故障诊断系统的性能，为TENG长期监测应用提供了技术支持。