一种基于深度压缩感知和对比迁移学习的轴承故障诊断新方法

《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》：A novel method for bearing fault diagnosis based on deep compressive sensing and contrastive transfer learning

　　

## 摘要

轴承健康监测对轨道交通车辆至关重要，深度压缩感知因其低冗余度、最小存储需求和快速信号重建能力而受到关注。然而，传统网络通常采用单分支卷积结构，限制了特征的稳定性及时序建模能力，尤其是在复杂工况和强噪声条件下。此外，典型的迁移学习方法在微调阶段依赖单一损失函数，在小样本场景下可能导致类内特征分散、类间边界模糊以及判别能力下降。为克服这些挑战，本文提出了一种结合深度压缩感知与对比迁移学习的跨域轴承故障诊断方法。在压缩感知阶段，设计了一种基于多分支注意力的重建网络，以在复杂条件下捕捉关键信号特征，增强特征丰富度，并为源域与目标域数据之间可能存在的域差异抑制机制提供条件性分析解释。在迁移学习阶段，采用分阶段损失优化策略：预训练使用对比损失以获得具有判别力的嵌入表示，微调阶段则结合三元组损失与交叉熵损失以平衡嵌入结构与分类能力。在辛辛那提大学Case Western Reserve University轴承公开数据集和北京交通大学BJTU-RAO转向架数据集上的实验验证了该方法的有效性，信号均方误差为0.00321，故障诊断准确率达98.51%，凸显了其在小样本条件下优越的跨域诊断性能。

## 引言

在现代社会中，轨道车辆作为货运和客运不可或缺的交通工具，发挥着至关重要的作用。轴承是轨道车辆的关键部件，由于长期暴露于高速旋转、反复冲击和重载工况下，是最容易受损的部件之一[1]。由于轴承状态直接影响轨道车辆的安全运行，对这些部件进行状态监测具有重要意义。

与一般旋转机械故障诊断相比，铁路车辆轴承诊断在实际监测场景中面临更多特定挑战[2]。首先，由于轴承在服役期内大多数时间处于正常工作状态，标注故障样本通常稀少且不平衡，使小样本诊断成为实际需求。其次，转速、载荷、轮轨激励、传感器位置以及车辆/试验台条件的变化可能导致显著的分布差异，导致跨工况和跨域诊断困难。第三，在线监测系统持续采集高频振动信号，增加了数据采集、存储、传输和实时分析的负担。这些实际需求推动了开发一种能够在有限目标域样本条件下降低数据冗余同时保持可靠跨域性能的诊断框架。

振动信号包含丰富的轴承状态信息，使基于振动信号的轴承故障诊断成为主流方法[3]。当前故障诊断方法主要分为两类：信号处理技术和数据驱动的人工智能方法[4]。信号处理方法主要通过分析时域、频域或时频域特征实现故障诊断[5]，但面临噪声敏感性、高度依赖专家知识以及跨变工况泛化能力有限等挑战。例如，Liu等人[6]提出了一种时域方法用于齿轮箱故障诊断，Yoo[7]开发了一种基于FFT并结合PCA的感应电机方法，Xu等人[8]引入了自适应变分模态分解与混合熵方法。

与信号处理方法不同，数据驱动的人工智能故障诊断方法通常利用大规模数据集训练模型[9]、[10]、[11]、[12]、[13]。然而，实际场景往往涉及小样本目标域和分布偏移，导致模型性能下降[14]、[15]。深度迁移学习通过将源域中学到的知识迁移到目标域来解决跨域适应问题[16]。Ma等人[17]应用了自适应损失策略的多变量GRU，Irani等人[18]开发了一种无监督迁移框架，Huang等人[19]提出UDDGN以创建领域无关的紧凑边界。尽管取得了这些进展，现有迁移方法仍可能难以解决类内分散和类间重叠问题，限制了判别能力。

近期智能故障诊断研究进一步关注样本不足、噪声鲁棒性、轻量化部署、不确定性量化和域适应等问题。Wang等人[20]提出了一种受神经动力学启发的度量型脉冲神经网络Metric SpikingFormer，以在工业互联网物联网场景下样本不足条件下提高能效机械故障诊断性能。Wang等人[21]进一步结合脉冲神经网络机制和Transformer结构开发了Neural-Transformer，以实现轻量化和噪声鲁棒的机械故障诊断。此外，Yu等人[22]提出了一种多源传感器相关性自适应融合框架并带有不确定性量化，以提高不同传感器置信度下的诊断可靠性，而Tian等人[23]开发了一种基于证据深度学习的方法用于动态域偏移下的在线机械故障诊断。Yu等人[24]还提出了一种基于域属性和特征迁移的多源信息域适应网络用于跨域故障诊断，而Qian等人[25]引入异步联合分布对齐作为故障迁移诊断的新域混淆机制。这些研究表明，鲁棒性、轻量化计算、不确定性感知和域适应已成为智能故障诊断的重要方向。然而，它们大多聚焦于直接故障分类、多源融合或在线/域适应，而压缩信号重建与小样本跨域诊断的联合问题仍未得到充分探索。

对比学习因通过强制类内相似性和类间差异性来增强特征可分性而受到关注[26]、[27]。将对比学习集成到迁移框架中的方法，即对比迁移学习，可改善跨域泛化能力。Pan等人[28]提出SDCDN以在不同工况下保持类间可分性，Li等人[29]通过时序交叉比较缓解域偏移，Xu等人[30]结合残差局部特征提取与全局特征捕捉。然而，这些方法通常依赖大规模样本对构建，并可能在小样本或噪声条件下过拟合。

传统故障诊断中使用的信号根据Shannon-Nyquist定理采样，通常包含冗余信息。压缩感知（CS）通过更少的样本重建稀疏信号，减少存储需求并绕过Nyquist约束[31]、[32]、[33]、[34]。与后处理压缩不同，CS在采集过程中压缩信号[34]，相比基于编码器的模拟方法具有实用优势[35]。基于CS的方法已应用于故障诊断：Tang等人[36]将双通道CNN与热数据和声学数据结合；Tai等人[37]使用稀疏小波驱动网络减少高频声发射数据；KATO[38]提出均匀随机采样用于螺旋桨故障；Liu等人[39]开发了加权分布式CS用于齿轮故障。尽管前景广阔，大多数方法依赖迭代优化，导致计算成本高且实时适用性有限。

深度压缩感知（DCS）整合深度学习以加速重建并保留复杂信号特征[40]。深度压缩感知可定义为一种基于学习的压缩感知范式，其中深度神经网络被训练用于近似从低维压缩测量到原始信号或诊断信息表征的逆映射[[35]、[40]]。与传统CS重建方法通常迭代求解稀疏优化问题不同，DCS将重建先验嵌入网络参数中，并在训练后通过前向推理进行重建[[35]、[41]]。因此，DCS不仅仅是一种信号压缩工具，而是一种联合采集-重建策略，可在减少采样、存储和传输成本的同时保留振动信号中的故障相关分量[42]。

在故障诊断中，DCS的重要性体现在三个方面。首先，它适用于长期状态监测，因为大量高频振动数据可以压缩形式采集和传输[42]。其次，学习到的重建模型可以抑制冗余或噪声主导的分量，保留瞬态冲击、周期调制等故障敏感特征[35]。第三，通过对源域和目标域信号进行一致映射重建，DCS可以为后续迁移学习提供更一致的输入表征，有助于在有限目标样本条件下进行跨域诊断。

Nagata等人[41]和Zhang等人[35]展示了改进的速度和质量，而Chen等人[42]将自适应DCS应用于高速列车监测。然而，大多数DCS方法中的单分支结构限制了噪声复杂场景下的特征保留，且很少有方法将CS与对比迁移学习相结合。

为了解决重建精度低和跨域泛化能力差的问题，我们提出了一种DCS-CTL框架用于跨域轴承故障诊断（图1）。源域和目标域信号首先通过CS采集，然后使用三分支自注意力网络（DCSRNet）重建，捕捉多尺度特征并减少域差异。重建信号转换为二维小波表示（CWT）。预训练在ResNet18骨干网络上使用对比损失以强制类内相似性和类间可分性，而微调阶段应用联合三元组损失和交叉熵损失以在少样本目标条件下平衡嵌入结构与分类判别力。

本文的主要贡献总结如下：

（1）提出了DCS-CTL框架用于小样本跨域轴承故障诊断。在框架层面，将压缩信号重建与对比迁移学习集成到统一的诊断流水线中。

（2）设计了DCSRNet架构用于压缩振动信号重建。作为重建模块，DCSRNet旨在从压缩测量中改善故障敏感信息的恢复。

（3）开发了用于对比迁移学习的分阶段损失优化策略。该策略聚焦于迁移学习阶段，依次执行源域表征学习和目标域判别性适应。

（4）提供了条件理论分析和综合实验。该分析在局部假设下解释了DCS重建可能的域差异抑制机制，而实验在CWRU、BJTU-RAO和EMU传动系统试验台数据集上评估了所提框架。

为提高可读性，主要符号及其含义汇总于表1。本文其余部分组织如下。第2节介绍DCS和CTL的理论背景。第3节详细介绍所提出的DCS-CTL框架。第4节通过对比实验验证所提方法的有效性。最后，第5节总结全文并讨论未来工作。

## 章节摘要

### 压缩感知

压缩感知（CS）允许从更少的测量值重建稀疏信号，减少冗余和存储需求[31]、[32]、[33]。压缩感知的核心思想是通过测量矩阵将高维信号投影到低维空间，然后通过求解优化问题恢复原始信号。对于长度为n的信号x，其在域Ψ中有稀疏表示θ，观测矩阵Φ产生长度为m的压缩信号y（式(1)）。

### 信号重建网络

如前所述，从压缩信号重建原始信号，即从不完整信号获取完整初始信息，是一个非确定性多项式（NP-hard）问题。传统解决方案如正交匹配追踪（OMP）算法、基追踪（BP）算法以及转化为凸优化的算法，严重依赖先验知识，计算成本高且难以推广[35]。深度学习通过……

### 实验分析

为验证所提方法的有效性，进行了实验验证和分析。本节安排如下：首先介绍源域和目标域数据集，其次分析深度压缩感知对信号重建的效果，最后分析所提出的分段损失优化策略的对比迁移实验，并对其故障诊断……

### 结论

本文提出了一种基于深度压缩感知和对比迁移学习的轴承故障诊断方法，以降低存储和传输成本，提高重建效率，并增强有限目标域样本条件下的跨域泛化能力。

在信号重建阶段，设计了一种DCSRNet，集成了多分支卷积、自注意力、基于LSTM的时序建模和跳跃连接。基于Wasserstein-1的条件理论分析……

### CRediT作者贡献声明

Heng Gu：写作—审阅与编辑，写作—原稿撰写，可视化，验证，软件，方法论，调查研究，概念化。Jianhai Yue：写作—审阅与编辑，监督，资金获取。Yuanyuan Chen：验证，监督。Jiawei Chen：可视化，验证，数据管理。Hang Zhou：写作—审阅与编辑，监督。

### 利益冲突声明

作者声明不存在已知的可能影响本文所述工作的竞争性财务利益或个人关系。

Heng Gu | Jianhai Yue | Yuanyuan Chen | Jiawei Chen | Hang Zhou