一种用于轴承故障诊断的带有融合负迁移抑制机制的门控多源信号融合方法

《Machines》：A Gated Multi-Source Signal Fusion Method for Bearing Fault Diagnosis with a Fusion Negative-Transfer Suppression Mechanism

　　

多源信息融合（multi-source information fusion）被认为是提高轴承故障诊断的关键方法。然而，由于多源信息的异质性、信息贡献的不对称性以及判别特征的不平衡性，融合过程中可能发生负迁移（negative transfer）。针对这一问题，研究人员提出了一种基于物理信息引导（physical-information guidance）和对抗解耦表示（adversarially disentangled representation）的负迁移抑制诊断框架。首先，构建了由声振互相关（acoustic–vibration cross-correlation）和互信息熵（mutual information entropy）引导的自适应预处理机制，提取内在的跨模态相关性，实现源端特征重构和共性增强。其次，开发了基于注意力（attention）的空间特征提取算子和对抗性共享域表示模型，抑制模态特定干扰并解耦跨模态共享特征。在此基础上，采用稀疏编码（sparse coding）融合共享域和模态特定特征。此外，将基于模糊聚类（fuzzy clustering）的分类有效性评估指标引入损失函数，动态约束稀疏编码权重，从而在强噪声条件下减少干扰特征并抑制负迁移。实验结果表明，所提方法有效实现了“融合优于非融合”的设计目标，在复杂工况下表现出强噪声鲁棒性和高诊断精度。

该论文发表在《Machines》期刊，针对多源信息融合中因信号源质量差异、噪声结构不一致和判别贡献不均衡导致的融合负迁移问题，提出了一种基于物理信息引导和对抗解耦表示的多源信号融合方法，旨在实现轴承故障诊断中“融合优于非融合”的目标。研究背景方面，滚动轴承作为旋转机械关键部件，在复杂工况下易发生局部损伤，传统单源诊断方法受限于单一物理观测维度，难以全面表征故障状态。多源信息融合通过互补多模态信息提升诊断性能，但异构信号在传播机制、信噪比和特征贡献上的差异可能导致融合后性能下降，即融合负迁移。现有研究缺乏对源端、特征端和决策端全过程的协同约束，因此亟需开发抑制负迁移的融合框架。

研究人员在提出的方法中，首先通过声振互相关和互信息熵引导的源端预处理，增强跨模态共性故障信息并抑制非共性噪声；其次构建基于注意力机制和对抗性学习的共享域特征解耦模块，分离模态特定干扰与共享故障特征；进而采用稀疏编码融合共享域与局部域特征，并引入基于模糊聚类的分类有效性评估指标，动态约束稀疏编码权重以主动抑制负迁移。实验在双试验台（Rig I和Rig II）上进行，采集了振动信号（P=2通道）和声信号（Q=16通道），数据集包括早期弱故障数据集D1、含噪声干扰的数据集F1/F2、变转速数据集K1和变载荷数据集K2。主要技术方法包括：1）基于声振互相关和互信息熵的源端自适应重建；2）基于二维卷积神经网络（2D-CNN）和卷积块注意力模块（CBAM）的特征提取；3）基于对抗生成策略的共享域特征解耦与稀疏编码融合；4）基于模糊极大似然估计聚类（fuzzy maximum likelihood estimation clustering）的融合负迁移评估指标，嵌入损失函数进行动态约束。

研究结果部分：
4.1 数据预处理与数据集描述：在Rig I和Rig II上采集声振信号，构建D1、F1/F2、K1/K2数据集，包含正常、外圈故障、内圈故障、滚动体故障和复合故障等多种状态，样本均分为训练集与测试集（7:3）。
4.2 早期弱故障信号特征增强效果分析：通过计算增强信号在转频和故障特征频率处的幅值比，验证了所提信号增强方法能有效提升故障特征幅值，平均增幅达40%–158%，并在部分声传感器被替换为高斯白噪声时仍保持鲁棒性。
4.3 噪声干扰下算法精度分析：在信噪比（SNR）为10 dB、1 dB、?1 dB、?5 dB条件下，所提多源融合方法在SNR=?5 dB时仍保持99.2%以上诊断准确率，显著优于单源振动或声学模型（准确率降至90%以下），且超参数k1=k2=0.5时性能最优。
4.4 不同算法噪声干扰下性能对比：与VMD-SVM、GA-PSO-BP、CNN-VAF及多种单源深度学习方法对比，所提方法在SNR=?5 dB时准确率（99.2%）、精确率、召回率和F1分数均最高，标准偏差最小，证明其强噪声鲁棒性和融合可靠性。
4.5 变工况泛化性能分析：在变转速（30/50/70 Hz）和变载荷（5/10/15 kN）的跨工况任务中，所提方法平均准确率97.6%，且所有任务均实现正融合增益，而无法抑制负迁移的融合模型在部分任务中准确率低于最佳单源模型，表明负迁移抑制机制有效应对分布偏移。
4.6 融合负迁移抑制机制有效性分析：通过t-SNE可视化聚类和聚类指标统计，显示融合后CP2层聚类性能显著提升，且聚类指数持续下降，证实所提方法有效抑制了强干扰下的融合负迁移。

讨论部分总结：所提方法通过多阶段负迁移抑制机制，在强干扰和变工况下均能稳定实现融合增益，诊断准确率优于现有方法。但方法性能受传感器数量和布置影响，且多阶段处理增加了计算复杂度。未来工作将探索不同传感器配置下的适应性，并引入网络轻量化、模型压缩和在线自适应融合策略以提高实时监测能力。

研究结论部分翻译：针对现有多源融合滚动轴承诊断方法在强干扰条件下准确率低、稳定性差甚至出现融合负迁移的问题，本研究提出了一种具有噪声干扰抑制和融合负迁移预防机制的多源融合轴承故障诊断方法。首先，在故障特征提取模块中引入注意力机制，减少对无用特征和干扰信息的关注。其次，针对注意力机制无法完全消除的噪声，引入生成对抗性共享域特征提取方法。采用稀疏编码融合多源信号的底层共享域特征，并基于GG模糊聚类提出最优稀疏编码方案搜索方法，从而稀释干扰特征比例，减少噪声干扰，抑制融合负迁移的发生。该方法充分利用多源融合从不同信息源获取特征的优势。在强干扰条件（SNR=?5 dB）下，模型诊断准确率仍可达99.2%以上，相比其他现有方法至少提高3.3%。同时，该方法有效抑制了融合负迁移，实现了强干扰条件下滚动轴承的准确稳定故障诊断。