《Sensors》:Multimodal Adversarial Transfer Learning for Bearing Fault Diagnosis of Unmanned Mining Trucks in Realistic Noisy Environments
编辑推荐:
无人驾驶矿用卡车在恶劣环境中运行,例如露天矿,其中关键传动系统轴承的在线故障诊断面临严峻挑战,包括响应慢、精度要求高以及真实现场噪声的强干扰。为解决现有诊断方法在真实噪声场景下泛化能力不足的问题,本文提出了一种用于无人驾驶矿用卡车轴承故障诊断的多模态对抗迁移学
无人驾驶矿用卡车在恶劣环境中运行,例如露天矿,其中关键传动系统轴承的在线故障诊断面临严峻挑战,包括响应慢、精度要求高以及真实现场噪声的强干扰。为解决现有诊断方法在真实噪声场景下泛化能力不足的问题,本文提出了一种用于无人驾驶矿用卡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卡车数据之间的域偏移,研究人员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融合,从而模拟了分级现场干扰。其次,设计了一个集成CNN、ViT和CBAM注意力机制的深度特征提取网络。在此骨干网络基础上,研究人员引入了一种对抗训练方案,结合分层自适应微调策略,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,所提出的方法在具有强噪声和有限样本的跨域场景下保持了高诊断准确率,显著优于传统方法。本研究为运行于真实噪声环境下的无人驾驶矿用卡车提供了实现实时、高可靠“边缘-终端”故障诊断的有效技术途径。
**研究背景与问题**
无人驾驶矿用卡车作为露天矿的核心运输装备,其运行安全与可靠性至关重要。轴承作为轮毂、主减速器等关键旋转部件的基础支撑,长期承受重载、冲击载荷及路面激励,故障频发。一旦发生故障,若缺乏及时预警,易导致计划外停机甚至重大安全事故。因此,对矿用卡车轴承实施在线、快速、高精度的故障诊断是智能维护系统的关键。然而,矿用卡车运行环境复杂,车载诊断终端需应对真实、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严苛要求。现有方法多基于理想实验室条件采集的振动信号,假设数据独立同分布,但实际信号中不仅包含故障脉冲,还混杂了发动机激励、随机路面振动及液压系统脉动等宽带噪声。在强噪声下,单模态信号(如仅用振动或电流)中故障特征易被淹没,导致诊断准确率骤降。此外,现有研究多基于单一工况,难以适应矿用卡车频繁的载荷与转速变化。因此,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成为迫切需求。
**研究内容与结论**
针对上述问题,研究人员提出了一种多模态对抗迁移学习框架,用于真实噪声环境下无人驾驶矿用卡车的轴承故障诊断。主要贡献包括:构建了面向实车场景的噪声嫁接增强数据集,通过将现场采集的背景噪声融入实验室信号,模拟真实工况;设计了CNN–ViT–CBAM(卷积神经网络-视觉Transformer-卷积块注意力模块)多模态特征提取网络,融合局部特征与全局依赖;开发了分层自适应微调对抗迁移学习策略,实现域不变特征学习。在噪声增强数据集上的实验表明,该方法在强噪声、跨设备和小样本场景下均保持了高诊断准确率,显著优于传统方法(如DANN、CDAN)。该研究为真实噪声环境下矿用卡车“边缘-终端”实时故障诊断提供了有效技术路径。论文发表在《Sensors》。
**主要关键技术方法**(不超过250字)
研究人员首先从韩国科学技术院(KAIST)公开数据集获取实验室轴承故障数据,包含振动(4通道)和电流(3通道)信号,涵盖正常、内圈、外圈及滚动体故障。现场噪声采集自一台300吨级矿用卡车的前轮轴承附近,按GB/T 32333-2015标准布置8个振动测点(选取4个)和1个电流测点,信号经零均值归一化和陷波滤波后构建背景噪声库。关键技术包括:1)噪声嫁接策略:将现场噪声按目标信噪比(SNR)缩放后叠加至实验室信号,构造多模态噪声增强数据集,设定15 dB、10 dB、5 dB、0 dB四个等级。2)CNN–ViT–CBAM特征提取网络:振动、电流信号分别预处理为16×16和8×24灰度图像,经双流CNN(3层卷积)提取局部特征,再经ViT(4个Transformer编码器,8头自注意力)提取全局特征,融合后经CBAM通道与空间注意力校准,最后经全连接层分类。3)对抗迁移学习:包括梯度反转层(GRL)实现域对抗,联合源域分类损失与域判别损失,并使用动态权衡参数。4)分层自适应微调策略:预训练后冻结浅层CNN和CBAM,更新深层及域适配层,以小学习率微调,防止过拟合。
**研究结果**
**4.1 实验设置**:源域为KAIST实验室数据集,包含4种健康状态、36种工况(3载荷×3转速),每类500样本。目标域通过对源域信号施以10 dB SNR的现场噪声嫁接生成。目标域训练集每类仅10个有标签样本,测试集每类200个样本。设置跨设备、跨噪声、小样本三种跨域场景,所有实验独立重复5次取平均。
**4.2 跨域诊断性能比较**:通过对比四种方法(无迁移CNN–ViT–CBAM、DANN、CDAN及所提方法),在所提真实噪声数据集上,所提方法准确率达89.5%,比CDAN(83.8%)提升5.7个百分点;在小样本场景下准确率达92.1%,进一步验证了域自适应机制在缺乏标签数据时的关键作用。混淆矩阵分析显示,所提方法显著降低了外圈与滚动体故障的混淆率(从DANN的18%/16%降至4%/3%),内圈故障识别率从80%提升至95%。
**4.3 消融实验**:通过逐步移除组件评估贡献。单模态振动基线准确率85.1%,融合电流后(简单拼接)提升3.6个百分点至88.7%;引入ViT后准确率升至95.3%;加入CBAM后达到最高96.8%,而CBAM仅增加0.5M参数(约10%),性能提升1.5个百分点,表明注意力校准的高效性。
**4.4 计算效率分析**:所提模型参数5.2M,浮点运算数1.8G,单样本推理时间7.3 ms,远低于实时诊断要求的50 ms阈值,具备部署于边缘设备的潜力。
**总结讨论与结论翻译**
本文聚焦于真实噪声条件下无人驾驶矿用卡车轴承在线故障诊断的迫切需求,提出了一种集成实车噪声增强与多模态对抗迁移学习的智能诊断框架。主要结论总结如下:
- 提出了一种实车噪声嫁接策略,构建了更贴近矿用卡车实际运行环境的多模态噪声数据集。实验表明,在SNR为10 dB时,生成的噪声样本保留了清晰的故障脉冲特征,为跨域故障诊断方法评估提供了有效基础。
- 开发了基于CNN–ViT–CBAM的特征提取网络,结合分层自适应微调对抗迁移框架,有效利用了振动和电流信号的互补信息。所提方法在跨噪声、跨设备及小样本场景下均取得了优异诊断性能,证明了其提取复杂工况下域不变故障特征的能力。
- 所提框架在诊断准确率与计算效率之间实现了良好平衡。仅需5.2M参数和每样本7.3 ms的推理时间,展现出在无人驾驶矿用卡车边缘计算平台上实时实现的潜力。消融结果验证了CBAM模块以有限额外计算成本提升了诊断性能。
尽管性能优异,本研究存在局限性:由于从运行中的矿用卡车收集足够故障标签数据存在困难,本研究使用的目标域由现场测量背景噪声与实验室故障信号结合构建,而非完全真实的故障数据。未来工作将聚焦于收集更多现场故障样本,进一步验证所提框架在实际工况下的性能,并探索模型压缩和量化等轻量化部署策略。此外,将研究该方法对其他矿用卡车关键部件(如齿轮箱和轮边电机)的泛化能力。总体而言,所提方法为缩小实验室故障诊断模型与无人驾驶矿用卡车实际智能维护应用之间的差距提供了有效解决方案,为智能矿山系统中可靠的在线状态监测开辟了有前景的途径。