一种物理引导的原始主导门控融合方法用于细粒度轴承故障诊断

《Applied Sciences》：A Physics-Guided Raw-Dominant Gated Fusion Method for Fine-Grained Bearing Fault Diagnosis

　　

细粒度轴承状态诊断具有挑战性，因为同一故障位置内的不同轴承状态通常表现出相似的故障特征频率响应，使得仅使用包络谱信息难以区分。为解决此问题，研究人员提出了一种物理引导的原始主导门控融合网络（PG-RDGFN）用于细粒度轴承故障诊断。在该框架中，原始振动信号被保留为主要信息源，而包络谱提供互补的故障调制证据。从轴承特征频率响应导出的物理感知描述符被纳入样本级门控机制，以自适应调节包络谱特征的贡献。与主要将物理知识作为辅助输入或正则化约束的传统直接多分支融合或物理信息方案不同，PG-RDGFN使用机制导出的物理置信度来调节辅助包络谱证据参与融合的程度，而不是直接将物理先验用作细粒度分类线索。同时，物理一致性损失使用标量物理置信度目标约束学习到的门控，而原始分支辅助损失保留主导原始表示的判别能力。实验在从帕德博恩大学轴承数据集构建的八类诊断任务上进行。与SVM、MLP、1D-CNN、CNN-LSTM和TCN相比，PG-RDGFN达到了98.87%的最高准确率。消融和门控一致性分析进一步验证了包络分支、门控融合、物理引导和辅助监督的有效性。这些结果表明，PG-RDGFN为细粒度轴承状态诊断提供了准确且物理可解释的解决方案。

本文针对细粒度轴承故障诊断问题展开研究。在旋转机械健康监测中，轴承状态识别至关重要，但同一故障位置（如内圈、外圈）内的不同轴承实例往往表现出相似的故障特征频率响应，导致传统基于包络谱的方法难以区分。现有方法包括信号处理、深度学习和多源融合技术，但存在不足：直接融合多分支特征时未区分各来源可靠性，而物理信息学习方法通常将物理知识作为辅助输入或正则化约束，未能针对细粒度诊断中物理先验不足以直接区分实例的问题进行优化。为此，研究人员提出了一种物理引导的原始主导门控融合网络（PG-RDGFN），发表在《Applied Sciences》上。该研究遵循“原始主导、包络辅助、物理引导”的特征融合原则，构建了不对称双输入诊断框架，将原始振动信号作为主要信息源，包络谱作为辅助故障调制证据，并利用轴承故障特征频率（BPFI、BPFO、BSF、FTF）计算物理置信度，通过样本级门控机制自适应调节包络谱特征的贡献。此外，引入物理一致性损失和原始分支辅助损失，分别约束门控与物理置信度的一致性，并保持原始分支的独立判别能力。在帕德博恩大学（Paderborn University）轴承数据集上，研究人员构建了八类细粒度诊断任务（包括正常、3种内圈状态、4种外圈状态），实验结果表明，PG-RDGFN取得了98.87%的最高准确率，优于SVM、MLP、1D-CNN、CNN-LSTM和TCN等对比方法，消融实验和门控校准分析验证了各部分的有效性，且在不同转速、扭矩和径向载荷条件下均保持较高鲁棒性。

为开展此研究，研究人员主要采用以下关键技术方法：首先，构建双输入特征表示，包括原始振动信号时域分段和基于带通滤波、Hilbert变换及快速傅里叶变换（FFT）提取的包络谱；其次，设计物理引导的门控融合策略，基于轴承几何参数和转速计算故障特征频率（BPFI、BPFO、BSF、FTF）及其谐波，构造九维物理感知描述符（含归一化谱浓度、包络谱熵、峰值频率位置），并生成标量物理置信度目标，用于监督样本级门控网络；最后，联合优化分类损失、原始分支辅助损失和物理一致性损失。样本来源为帕德博恩大学轴承数据集，包含8种轴承状态（K001正常、KI01/03/05内圈故障、KA01/03/05/07外圈故障），信号采样频率64 kHz，数据以文件级划分确保无信息泄露，窗口长度4096点，步长1024点，训练集8800样本、验证集1440样本、测试集2560样本。

研究结果如下：

**4.1 数据集与实现设置**：研究人员采用帕德博恩大学轴承数据集，选取8种轴承状态进行细粒度诊断，并详细描述了数据划分、预处理参数（窗口长度4096点、步长1024点）及模型架构（原始分支和包络分支均采用4个卷积块，特征维度128维）。通过敏感性分析，确定网络深度D=4、包络贡献系数α=0.08、原始分支辅助损失权重β=0.30、物理一致性损失权重λ=0.05为最优配置。

**4.2 结果分析与讨论**：消融实验表明，原始信号分支单独取得96.13%准确率，远超包络谱分支的53.05%；直接拼接双分支准确率提升至96.95%，数据驱动门控融合进一步升至97.60%，加入物理引导后达到98.35%，完整PG-RDGFN达到98.87%。门控校准分析显示，学习到的门控输出与物理置信度目标高度一致（Pearson相关系数0.994，平均绝对误差0.032），验证了物理可解释性。

**4.3 与其他方法比较**：在测试集上，PG-RDGFN准确率98.87%，优于SVM（93.75%）、MLP（94.84%）、1D-CNN（96.13%）、CNN-LSTM（95.78%）和TCN（96.09%），且误分类样本数从基线最优的99个降至29个。在不同工况（转速、扭矩、径向载荷变化）下，PG-RDGFN在各条件下的准确率均最高（如转速变化条件下98.00%，超出第二名TCN 5.00个百分点），平均准确率98.88%。混淆矩阵和t-SNE可视化进一步表明，PG-RDGFN的聚类更紧凑、边界更清晰，有效减少了类间混淆。

**5. 结论**：本研究提出的PG-RDGFN用于细粒度轴承状态诊断。原始振动信号被保留为主要信息源，而包络谱证据通过由机制导出的物理置信度监督的样本级门控自适应地纳入。进一步引入物理一致性损失和原始分支辅助损失以调节融合过程并保持主导原始表示的判别能力。在帕德博恩大学八类轴承数据集上的实验表明，PG-RDGFN达到了98.87%的整体准确率，优于代表性对比方法。消融、收敛、混淆矩阵、特征可视化和门控校准分析进一步验证了所提融合机制的有效性和可解释性。此外，参数敏感性结果支持所采用的网络和融合设置，而工况条件评估表明，在转速、扭矩和径向载荷变化下，诊断准确率均保持较高，尤其在更具挑战性的转速变化条件下具有明显优势。总体而言，这些结果表明PG-RDGFN不仅提高了细粒度诊断准确率，还增强了融合过程的鲁棒性和物理可解释性。讨论部分指出，本研究存在局限性：评估基于单一公共数据集和八类诊断任务，多数故障样本来自人工损伤轴承，对未见轴承、自然疲劳故障及不同机器的泛化能力有待验证；尽管考虑了不同工况，但当前工况分析在同一数据集内进行，并非严格跨域或未见工况泛化评估；物理描述符依赖已知轴承特征频率和运行信息，机器结构或运行状态变化时可能需要调整。未来工作将聚焦于跨轴承和跨域诊断、自然发展及复合故障条件、更复杂的变速和噪声环境，以及减少对预定义运行信息依赖的自适应物理描述符，并进一步在工业机械上验证。