《Sensors》：Non-Contact Phenotypic Measurement and Body Mass Prediction of Penaeus japonicus Based on Skeletonization and Multi-View Comparison
编辑推荐：
无人驾驶矿车在露天矿等恶劣环境中运行，其关键传动系统轴承的在线故障诊断面临响应慢、精度要求高、现场噪声干扰强等严峻挑战。针对现有诊断方法在真实噪声场景下泛化能力不足的问题，本文提出了一种面向无人驾驶矿车轴承故障诊断的多模态对抗迁移学习框架。首先，为弥合实验室数
无人驾驶矿车在露天矿等恶劣环境中运行，其关键传动系统轴承的在线故障诊断面临响应慢、精度要求高、现场噪声干扰强等严峻挑战。针对现有诊断方法在真实噪声场景下泛化能力不足的问题，本文提出了一种面向无人驾驶矿车轴承故障诊断的多模态对抗迁移学习框架。首先，为弥合实验室数据与现场矿车数据之间的域偏移差异，基于实车噪声嫁接构建了一个增强多模态数据集。该方法将现场采集的真实背景噪声与干净的实验室故障信号相融合，从而模拟分级的现场干扰。其次，设计了一个集成CNN（卷积神经网络）、ViT（视觉Transformer）和CBAM（卷积块注意力模块）的深度特征提取网络。在此骨干网络基础上，引入对抗训练方案与分层自适应微调策略相结合，构建了一个域对抗迁移学习模型。该模型能够从多模态信号（振动和电流）中提取既具有故障判别性又具有域不变性的鲁棒特征。在构建的噪声增强数据集上的实验结果表明，所提方法在强噪声和有限样本的跨域场景下保持了高诊断精度，显著优于传统方法。本研究为在真实噪声环境中运行的无人驾驶矿车提供了实时、高可靠的“边缘-终端”故障诊断有效技术途径。
**研究背景与问题**
在智能矿山建设进程中，无人驾驶矿车成为露天矿核心运输设备，其轮毂轴承和主减速器轴承承受重载、冲击和路面激励，故障频发。一旦发生故障，若缺乏及时预警，易导致非计划停机甚至重大安全事故。因此，对轴承实施在线、快速、高精度的故障诊断是智能维护系统的关键环节。然而，矿车运行环境恶劣，车载诊断终端面临真实且强烈的背景噪声干扰，对诊断模型的泛化能力和鲁棒性提出了极高要求。传统方法多依赖理想实验室条件下的振动信号，假设数据独立同分布，但在实际运行中，振动信号不仅包含故障冲击，还耦合发动机、路面随机振动、液压系统脉动等复杂宽带噪声，单一模态（如仅用振动或电流）在强噪声下故障特征易被淹没，诊断精度急剧下降。此外，现有研究多基于单一工况，难以适应矿车频繁变化的负载和转速。因此，亟需开发能适应真实噪声环境并有效利用多源传感器信息互补性的诊断方法。
**研究内容与结论**
研究人员提出了一种多模态对抗迁移学习框架，用于无人驾驶矿车轴承在真实噪声环境下的故障诊断。该框架通过构建噪声嫁接增强数据集、设计CNN–ViT–CBAM深度特征提取网络，并引入分层自适应微调对抗训练策略，实现了跨域场景下的高精度诊断。实验结果表明，所提方法在跨噪声、跨设备和小样本场景下均优于传统方法，在真实噪声数据集上准确率达89.5%，比CDAN（条件域对抗网络）提升5.7个百分点。该框架在模型参数仅5.2M、单样本推理时间7.3ms的条件下，平衡了诊断精度与计算效率，为矿车边缘计算平台实时诊断提供了可行方案。论文发表在《Sensors》。
**主要关键技术方法**
研究人员采用以下关键技术方法：
1. **实车噪声嫁接策略**：从正常运行的300吨级矿车前轮轴颈轴承附近采集振动和电流背景噪声，经零均值归一化和陷波滤波后，按信噪比（SNR）15dB、10dB、5dB、0dB四个层级叠加到实验室故障信号（来自韩国科学技术院公开数据集），构建多模态增强目标域，模拟现场噪声干扰。
2. **CNN–ViT–CBAM特征提取网络**：将振动信号（4通道）和电流信号（3通道）分别预处理为16×16和8×8灰度图像，通过双流CNN分支（3层卷积）提取局部特征，再经ViT（4个Transformer编码器层，8头自注意力）提取全局特征，融合后经CBAM（通道注意力和空间注意力）校准，最后输出故障分类。
3. **分层自适应微调对抗迁移学习框架**：预训练CNN–ViT–CBAM后，引入梯度反转层（GRL）实现域对抗训练，结合动态权衡参数λ（按训练进度从0增至10）和分层微调策略（冻结浅层CNN和CBAM，更新深层及域适应层），提取域不变和故障判别特征。
**研究结果**
**4.1 实验设置**：源域为KAIST实验室数据集（4种轴承状态，36种工况，每类500样本）；目标域为噪声嫁接数据集（SNR=10dB），训练集每类仅10个标签样本，测试集每类200样本。设置跨设备、跨噪声和小样本三种跨域场景，独立重复5次取平均。
**4.2 跨域诊断性能对比**：所提方法在所有场景下准确率最高，跨设备场景达89.5%，比DANN（域对抗神经网络）和CDAN分别提升约15%和5.7%。混淆矩阵显示，所提方法在易混淆的故障类别（如外圈与滚动体故障）间误判率仅3%~4%，显著低于DANN的16%~18%和CDAN的12%~14%，内圈故障识别率从80%提升至95%。
**4.3 消融实验**：通过逐步移除多模态融合、ViT和CBAM，验证各组件贡献。多模态融合（振动+电流）比单模态提升3.6个百分点；引入ViT使准确率升至95.3%；添加CBAM（仅增加0.5M参数）达到96.8%最高准确率，证明CBAM高效低成本。
**4.4 计算效率分析**：所提模型参数5.2M，浮点运算1.8G，单样本推理时间7.3ms，远低于实时诊断要求的50ms阈值，适合边缘部署。
**讨论与结论**
讨论部分指出，尽管所提方法性能优异，但仍存在局限：由于从运行矿车采集足够故障标签数据困难，当前目标域由现场背景噪声与实验室故障信号拼接而成，非完全真实故障数据。未来研究将收集更多现场故障样本，在实际工况下验证框架，并探索模型压缩、量化等轻量化部署策略，同时将方法推广至齿轮箱、轮边电机等关键部件。
研究结论总结如下：提出实车噪声嫁接策略，构建更贴近实际运行环境的多模态噪声数据集，实验证明在SNR=10dB下噪声样本仍保留清晰故障冲击特征；开发CNN–ViT–CBAM特征提取网络结合分层自适应微调对抗迁移框架，有效利用振动和电流互补信息，在跨噪声、跨设备和小样本场景下取得优越诊断性能；框架在诊断精度与计算效率间取得良好平衡，仅5.2M参数和7.3ms单样本推理时间，具备边缘计算平台实时实现潜力；消融实验验证CBAM模块以极低额外计算成本提升诊断性能。
