变转速工况下鲁棒的无监督齿轮箱故障检测

《Energy and AI》：Robust unsupervised gearbox fault detection under variable-speed operating conditions

　　

风能机组及其他旋转能量机械中的齿轮传动系统运行于变转速工况，其振动响应受转速依赖的运动学频率变化支配。这种由转速引发的变换给构建条件一致的振动表示带来挑战，并削弱了可靠的赋能人工智能（AI-enabled）状态监测。为应对该局限，研究人员提出一种力学一致的速度不变自编码器（speed-invariant autoencoder, SiAE）用于仅利用健康工况数据的无监督故障检测。所提框架未将转速变化视为通用统计分布偏移，而是将齿轮箱运动学嵌入表示学习。首先，采用平方包络阶次谱（squared envelope order spectrum, SEOS）将振动信号映射至阶次域，抑制由转速变化引起的比例频率迁移。其次，在阶次域对齐后执行跨工况插值，以在离散转速间构建连续且物理一致的健健康流形。第三，引入带潜变量正则化的速度条件重建机制，以将结构健康信息与确定性的转速诱导变化分离。不同于传统基于自编码器的异常检测器及现有速度归一化方法（将转速作为通用辅助变量），SiAE在表示、增强与模型三个层面共同强制运动学一致性。通过理论分析与齿轮箱动力学仿真检验了阶次域增强策略的物理有效性。在稳态、时变及完全未见转速工况下（固定载荷设置以隔离转速诱导运动学效应影响）的实验表明，SiAE产生稳定且阈值一致的健康指标（health indicator, HI），实现了跨多样运行区间的鲁棒故障检测。这些结果证明，将基于力学的信号表示与AI学习结合可提升变转速能量设备的状态监测可靠性。

研究背景方面，风能机组、水轮发电机等变转速旋转能量机械的齿轮传动系统在实际运行中转速持续波动，导致振动特征频率（如齿轮啮合频率及其谐波）随转速成比例迁移，而非随机统计扰动。传统统计健康指标（如均方根（root mean square, RMS）、峭度）与基于自编码器（autoencoder, AE）的无监督方法均未解耦转速依赖特征与退化特征，致使健康指标（HI）随转速漂移，在未见转速下误报率升高。现有信号级归一化（如阶次跟踪）仅对齐单点谱峰，未建模跨转速结构关系；域泛化（domain generalization, DG）方法多在时/频域线性插值，破坏运动学比例缩放，且多数依赖有标签故障数据。因此，亟需一种将齿轮运动学嵌入全流水线的无监督框架。《Energy and AI》刊发的该文即针对此缺口展开。

关键技术方法上，研究人员以单机级齿轮箱点蚀数据集（Case I，水平加速度通道，恒定载荷500 N·m，转速600–1000 RPM）及后续多案例为对象，依次采用三步法：输入层通过希尔伯特变换取平方包络再经转速计引导角重采样得到平方包络阶次谱（SEOS），把特征频率转为固定阶次；数据层在SEOS域对异速健康样本做Beta分布采样的跨工况mixup插值，生成物理合理的合成中间转速样本；模型层构建速度条件自编码器，解码器以归一化转速c为显式输入，编码器输出64维潜码z并加向原点收缩的潜变量正则化，以重建误差作为HI。训练仅用健康数据。

研究结果各节要点如下。第1节引言指出变转速是常态而非例外，转速引起结构化频移，无监督仅需健康数据更契合工业实际，现有方法在未见转速下HI重叠严重，Fig.1显示RMS与卷积自编码器（convolutional autoencoder, CAE）的HI随速漂移而SiAE稳定。第2节综述无监督检测与域泛化，明确信号归一化、AE类、DG mixup在旋转机械中因忽视运动学一致性而受限。第3节方法论形式化问题：健康集D={(x_i,c_i)}，目标学f(x,c)满足速度不变性与故障敏感性；框架分SEOS提取、SEOS mixup、速度条件AE三阶段（Fig.2）；SEOS由解析信号s_a(t)=s(t)+jH[s(t)]、平方包络SE(t)=|s_a(t)|²、角位θ重采样、阶次O=60f/n定义（Fig.3–4显示啮合阶次恒为40阶）；mixup按x?=λx_i+(1?λ)x_j、c?=λc_i+(1?λ)c_j，λ~Beta(α,α)；AE中z=Q(x)∈R⁶⁴，解码P(z,c)显式吃c，损失含重建项与潜正则L_reg。第4节通过齿轮箱动力学仿真与理论推导证明SEOS域插值的运动学合理性：因同阶次峰值已对齐，线性插值不产生虚频。第5节实验在稳态、时变、刻意排除转速段三类设置下对比RMS、CAE、SN-AE、SiAE，结果显示SiAE的HI分布健康/故障不重叠，固定阈值在未见转速仍成立。第6节结论讨论指出，SiAE在表示、增强、模型层联合强制运动学一致，是首例面向无监督变转速检测的机制；未来可纳入载荷耦合与多传感器融合。

结论部分原文要义为：研究人员提出力学一致的速度不变自编码器（SiAE），把齿轮运动学嵌入预处理（SEOS）、数据增强（跨工况阶次域mixup）与模型（速度条件解码+潜正则）全链条，在固定载荷下隔离转速效应后，于稳态、时变及完全未见转速工况均获得阈值稳定、类间分离的健康指标，证明基于力学的信号表示与AI结合能提升变转速能源设备状态监测可靠性；该框架同时满足运动学一致增强、运行条件与退化特征解耦、纯健康数据无监督三项此前未兼顾的要求。