《Journal of Manufacturing and Materials Processing》:An Adaptive MVMD-Based Stacking Ensemble Framework for Bearing Reliability Assessment and Prediction
编辑推荐:
滚动轴承是旋转机械中的关键部件,然而在强工业噪声下评估和预测其可靠性仍然具有挑战性。现有方法存在三大局限性:(1)单通道信号处理和单尺度指标缺乏对非平稳噪声的鲁棒性;(2)经典多通道分解方法,如多元变分模态分解(MVMD),依赖于经验参数调节,这经常导致过度分
滚动轴承是旋转机械中的关键部件,然而在强工业噪声下评估和预测其可靠性仍然具有挑战性。现有方法存在三大局限性:(1)单通道信号处理和单尺度指标缺乏对非平稳噪声的鲁棒性;(2)经典多通道分解方法,如多元变分模态分解(MVMD),依赖于经验参数调节,这经常导致过度分解或欠分解;(3)整体式深度架构和同质集成模型在长期时间外推中会遭遇预测漂移和泛化瓶颈。为解决这些问题,本文提出了一种自动化框架,将自适应多通道信号净化与异质堆叠集成(HeteroStack-LR)相结合。与经验性地固定[??,??]的传统MVMD流程不同,Sequoia优化算法(SOA)自主确定全局最优配置,实现了平均信噪比(SNR)为?2.08dB——比标准VMD/MVMD基线提高1.88至2.50dB——同时计算时间减少高达××。而非依赖传统的单度量固有模态函数(IMF)选择,研究人员构建了一个整合故障相关因子、能量比和细化复合多尺度色散熵(RCMDE)的多域混合指标,以稳健地识别抗噪分量,从而相较于单尺度准则将去噪质量提高××。此外,与基于线性PCA的降维不同,扩散拓扑邻域嵌入(D-TNE)有效保留了低维空间中退化轨迹的非线性流形结构。最后,设计了一种具有出折(OOF)防泄漏策略和逻辑回归元学习器的异质堆叠集成,以抑制预测漂移,同时避免深度架构典型的过参数化。在四个轴承数据集上的实验结果表明,HeteroStack-LR实现了最小的平均绝对误差(MAE)为(原文缺失),方差≤±0.002,优于最先进的深度架构(如TCN、CNN-LSTM、BiLSTM-Attention和Transformer)以及经典基线(Bi-LSTM、CNN和LSSVM)。消融研究证实,移除SOA和MVMD分别使MAE退化××和××,验证了该框架的优势并非源于任何孤立模块,而是源于信号净化与可靠性预测的端到端协同集成。
## 研究背景与问题
滚动轴承(rolling element bearing)是旋转机械中不可或缺的支撑与传动部件,其可靠性状态直接关系到整机运行安全与维护成本。在实际工业场景中,轴承振动信号往往混杂强烈的非平稳噪声,使得有效退化特征的提取和寿命预测变得十分困难。现有可靠性评估方法主要存在三方面不足:其一,多数方法基于单通道信号并依赖单尺度统计指标,难以全面刻画噪声干扰下的退化过程,鲁棒性较弱;其二,多元变分模态分解(MVMD)等经典多通道分解方法在应用时需预先设定模态数K和惩罚因子α,参数选择依赖经验,易造成过分解或欠分解,从而降低后续特征质量;其三,基于深度学习的预测模型往往采用整体式架构或同质集成策略,在长期时间外推时容易出现预测漂移,泛化性能受限。因此,发展一种能够自适应处理多通道信号、有效抑制噪声并稳健预测可靠性的自动化框架具有重要的理论意义和工程应用价值。该研究即是针对上述挑战提出的解决方案,研究成果发表于《Journal of Manufacturing and Materials Processing》。
## 研究目标与主要思路
针对现有问题,研究人员构建了一个融合自适应多通道信号净化与异质堆叠集成学习的完整框架,命名为HeteroStack-LR。该框架首先采用Sequoia优化算法(SOA)对MVMD的关键参数[K, α]进行全局寻优,替代传统经验设定,从而获得最佳分解配置。实验表明,SOA优化后的MVMD可实现平均信噪比(SNR)为?2.08dB,相比标准VMD/MVMD基线提升了1.88~2.50dB,并大幅缩短了计算时间。在分量选择环节,研究人员没有沿用单一度量指标,而是提出一种整合故障相关因子、能量比和细化复合多尺度色散熵(RCMDE)的多域混合指标,用于筛选出抗噪能力强的固有模态函数(IMF)分量,显著提高去噪质量。随后,针对传统线性PCA降维无法保留非线性流形结构的问题,引入扩散拓扑邻域嵌入(D-TNE)方法,将退化轨迹映射到低维空间并保持其拓扑结构。最后,设计了一个具有出折(OOF)防泄漏策略的异质堆叠集成预测器,采用逻辑回归作为元学习器(meta-learner),以有效抑制预测漂移,同时避免深度模型参数过多导致的过拟合。
## 主要关键技术方法
研究人员采用的关键技术包括:(1)基于SOA的自适应