LEIPL：一种适用于噪声标签环境下高速列车轴箱轴承的新型故障诊断方法

《ISA Transactions》：LEIPL: A novel fault diagnosis method for high-speed train axle box bearings under noisy labels

　　•LEIPL能够在严重的标签噪声环境下实现可靠的轴箱轴承诊断。•扩展的标签空间将正负监督统一起来。•动态标签分解提高了候选标签的可靠性。•单网络架构在较低计算成本下实现了高稳定性。在两个数据集上，当存在50%的对称标签噪声时，该方法的准确率可达99.20%。引言高速列车因其高效便捷的特点已成为重要的交通方式。其安全可靠的运行在很大程度上依赖于关键部件的妥善维护，尤其是轴箱轴承。目前的维护流程仍需大量人工检查，这导致效率较低且成本高昂[25]、[32]。与此同时，列车速度的提高使得轴箱轴承承受更大的机械负荷和热应力，从而增加了故障风险[34]、[36]。因此，在线状态监测与智能故障诊断对于提升维护效率及确保运营安全至关重要[1]。传统的诊断方法，无论是基于信号分析[9]还是机器学习[26]，都严重依赖专家知识与经验，这限制了它们的自动化程度与智能化水平。近年来，基于深度学习的方法在智能运维领域受到了广泛关注，因为它们能够自动提取故障特征并提升诊断性能[4]、[15]。然而，这些方法的有效性在很大程度上取决于是否有足够数量且标注准确的故障样本[39]。在全生命周期的运维系统中，大量的监测数据从车载子系统采集并传输到地面平台，用于故障分析及维护决策。在此过程中，主观判断、传感器漂移、数据同步延迟以及传输错误都可能引入错误的标注。这类带有噪声的标签会误导深度神经网络的优化过程，使模型倾向于记忆那些标注错误的样本，进而降低诊断精度与模型的泛化能力[22]。在故障诊断中，噪声标签问题可通过多种方法解决，包括标签修正、模型架构设计以及训练策略[27]。现有方法主要通过正则化[28]、[35]、鲁棒损失函数[31]、[37]、损失调整[17]、[20]、[23]、噪声适应结构[3]以及样本选择[7]、[13]、[33]来提升稳定性。虽然这些方法能减少对错误标注的过拟合，但它们可能需要准确的噪声先验、复杂的参数调优、额外的网络结构或更高的训练成本。近年来，工业故障诊断领域的研究进一步探索了基于多粒度监督[6]、簇内一致性[5]以及标签置信度重建[41]的噪声标签学习方法。尽管这些方法能减轻错误标注的影响，但有些方法仍需要预先了解噪声分布、额外的网络结构、复杂的参数调优或更高的计算成本。而且，它们的监督可靠性还可能取决于特征空间的一致性、伪标签的质量或置信度估计，而在严重的标签噪声或高度重叠的故障模式下，这些因素都可能变得不可靠。因此，在不大幅增加模型复杂度的情况下构建可靠的监督信号，依然是噪声标签故障诊断中的关键问题。正负学习为解决这一问题提供了一种替代方案，无需显式估计噪声转换分布。正学习（PL）使用包含样本真实类别的候选正标签集来训练每个样本[29]。基于识别的策略（IBS）会从该集合中选出最可能的类别，而基于平均值的策略（ABS）则会给所有候选标签都分配监督信号[18]。负学习（NL）则通过抑制互补或负标签来提供间接监督[10]，而像NLNL以及联合负正学习这样的方法则证明了在标签噪声环境下结合正负监督的价值[11]、[12]。不过，这些方法的有效性仍然取决于两个标签集能否可靠构建。如果真实类别被错误地归入负标签空间，负学习可能会引入累积的监督偏差。此外，现有的方法通常在原始标签空间内分别构建正负监督，而在标签构建过程中并未明确建模两者之间的关系。为解决这些局限性，本研究提出了一种新的方法——LEIPL（标签扩展改进型正负学习），用于在噪声环境下的智能故障诊断。LEIPL引入了一种标签扩展机制，通过添加辅助负维度来显式扩展原始标签分布，并利用这种扩展后的表示形式来支持联合正负监督。该框架基于动态积累的候选标签统计信息以及基于Top-K的标签分解，在训练过程中自适应地构建正负监督信号。此外，为减轻噪声标签带来的过度自信优化问题，LEIPL还引入了基于置信度的惩罚优化策略。LEIPL并非独立构建正负监督，而是从同一扩展标签空间表示中获取这两种信号。原始的噪声标签与Top-K预测统计结果构成候选正标签集，而扩展空间中的其余标签则被视为负标签。随后，正学习、负学习以及置信度惩罚会在统一框架内共同优化。通过这种设计，标签扩展不再仅仅是辅助的预处理操作，而是成为连接标签空间建模与双重正负监督的关键机制。因此，LEIPL不同于传统的PL–NL方法，后者依赖于预定义的互补标签或独立的候选标签净化过程，而是通过在扩展标签空间内共同构建并优化正负监督信号来实现功能。实验结果表明，在-4 dB的高斯白噪声以及50%的对称噪声标签条件下，LEIPL在HTBF和BJTU-RAO数据集上的诊断准确率分别达到了99.16%和99.20%，这一数值高于包括Co-teaching和C3 L在内的其他对比基线方法。本文的主要贡献体现在以下三个方面：1. 本研究提出了一种基于标签空间自适应分解的正负学习框架。通过在统一的标签空间表示中构建正负监督，该方法有效利用了噪声标签中蕴含的潜在信息，同时降低了对应错误标注的过拟合现象。2. 本文提出了一种标签扩展技术，通过添加辅助负维度来扩展原始标签空间。该维度代表了当前候选正标签集之外的不确定性及互补信息，从而提升了正标签构建的可靠性，增强了正负学习中双重监督机制的效果。3. 在HTBF和BJTU-RAO数据集上的实验评估了该方法在噪声标签及不同信噪比条件下的表现，结果显示在多种测试环境下，其诊断准确率均保持在99%以上。本文的结构如下：第2节详细定义了噪声标签；第3节阐述了所提方法的理论框架及实现细节；第4节介绍了实验设置并分析了实验结果；第5节对全文进行总结。本研究为噪声环境下的旋转机械故障诊断提供了一种框架。片段内容噪声标签定义基于深度学习的故障诊断方法是检测高速列车轴箱轴承故障的有效手段，但它依赖于大规模且标注精确的数据集。然而，收集和标注高速列车的运行数据极具难度。人工标注不可避免地会引入误差，从而导致训练数据集中出现噪声标签。图1展示了干净样本与含噪声的训练样本，其中同一区域内的不同形状代表故障。所提出的方法本研究旨在解决高速列车轴箱轴承故障诊断中存在的噪声标签问题，也就是历史训练数据集中标记错误的样本问题。具体而言，给定一个包含N个样本的训练数据集Dtrain={(xn,yn)|n=1,…,N}，其中xn表示第n个样本的特征表示，yn∈{0,1}C为对应的独热标签向量（C为类别总数）。在某些情况下，yn≠yn?，其中yn*代表真实标签。实验为评估所提出的LEIPL方法的故障诊断性能，本研究使用了HTBF和BJTU-RAO轴箱轴承故障数据集来验证该方法的通用性。所有实验均在配备第13代Intel? Core i7-13620H处理器、NVIDIA GeForce RTX 4050笔记本电脑级GPU、Windows操作系统以及PyTorch 1.11.0版本的计算机上完成。结论为解决存在噪声标签时高速列车轴箱轴承故障诊断精度显著下降的问题，本文提出了一种适用于噪声环境下的旋转机械故障诊断的轻量级方法——LEIPL。本研究的主要贡献可总结如下：(1) LEIPL采用标签扩展机制，提高训练过程中候选正标签集包含真实标签的概率。这一机制能有效……作者贡献声明梁佳成：撰写——初稿、可视化、方法论、研究分析、数据整理。张凯：撰写——审阅与编辑、资金获取、数据整理、概念构思。郭志豪：可视化、验证。夏永浩：研究分析。关银杰：可视化。郑庆：资金获取。赵春华：研究分析。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金（项目编号52205130）以及国家重点研发计划（项目编号2021YFB3400700）的支持。梁佳成|张凯|郭志豪|夏永浩|关银杰|郑庆|赵春华