用于双向跨领域轴承故障诊断的可解释领域自适应CNN-Transformer
《Electronics》:Explainable Domain-Adaptive CNN–Transformer for Bidirectional Cross-Domain Bearing Fault Diagnosis
【字体:
大
中
小
】
时间:2026年08月29日
来源:Electronics 2.9
摘要
工业5.0需要具备韧性、自适应能力和可信度的制造系统,以在异构工业环境中保持可靠的诊断性能。然而,由于领域分布偏移,数据驱动的故障诊断模型在跨机器、工作条件和数据采集平台迁移时,往往会出现显著的性能下降。本研究提出了一种可解释的领域自适应CNN-Transformer框架,利用Case Western Reserve University(CWRU)和Paderborn University(PU)数据集进行无监督双向跨域轴承故障诊断。该框架整合了一维卷积层以提取局部高频振动模式、Transformer编码器以建模长期时间依赖关系,以及基于最大均值差异(MMD)的特征分布对齐,从而学习可迁移的领域不变表示。在无监督领域自适应(UDA)协议下,源领域提供带标签样本用于分类学习,而目标领域仅提供未标记特征用于基于MMD的对齐;目标标签在训练和模型选择过程中被 withheld,仅用于最终评估。传统的1D-CNN和双向长短期记忆(LSTM)基线模型在域内能达到超过90%的准确率,但在CWRU→PU迁移中分别降至82.14%和79.88%,对应的领域下降幅度分别为12.07和12.99个百分点。所提框架在CWRU和PU上的域内准确率分别为98.63%和96.82%,CWRU→PU迁移准确率为92.46%,PU→CWRU迁移准确率为94.18%,对应的领域下降幅度分别为6.17和2.64个百分点。消融实验证实了卷积特征提取、基于Transformer的时间建模和领域对齐的互补贡献。此外,注意力、显著性和特征重要性分析表明,模型聚焦于与故障相关的振动区域和信息丰富的诊断特征,包括峭度、均方根(RMS)和峰值因子,从而提升了预测的透明度。这些发现支持了在异构轴承数据集上实现准确、可迁移且可解释的基于振动的状态监测。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号