《Advances in Mechanical Engineering》：PGDS-CLNet: A robust bearing fault diagnosis method under varying loads and strong noise
编辑推荐：
在实际工业应用中，轴承故障诊断技术常因运行工况变化、严重背景噪声及微弱故障振动特征而面临诊断精度差和泛化能力有限的问题。为应对这些关键挑战，本研究提出了一种新型智能故障诊断框架，称为PGDS-CLNet。与依赖人工设计诊断特征的传统方法不同，所提出的PGDS-
在实际工业应用中，轴承故障诊断技术常因运行工况变化、严重背景噪声及微弱故障振动特征而面临诊断精度差和泛化能力有限的问题。为应对这些关键挑战，本研究提出了一种新型智能故障诊断框架，称为PGDS-CLNet。与依赖人工设计诊断特征的传统方法不同，所提出的PGDS-CLNet在标准信号归一化与分段后即可作为端到端可训练的诊断网络。该网络直接从一维振动片段中学习判别性表示，无需人工设计时域、频域或时频域特征。通过先验引导特征提取模块（PGFEM）和双跳连接可分离卷积单元（DSCU）优雅地提取鲁棒特征表示，最终经Softmax层实现精确的多类故障识别。为有效缓解过拟合并最小化泛化误差，研究将包含学习率自适应Adam优化器、Dropout、小批量训练、L2正则化和批量归一化（BN）的综合优化策略无缝集成到模型训练过程中。大量实验结果表明，所提出的PGDS-CLNet在变载荷条件和强噪声环境下表现出优异的泛化能力。此外，实验结果显示，PGDS-CLNet在0、300和600 N载荷条件下的测试精度分别达到100.00%、98.34%和98.66%，平均测试精度为99.00%。在?8 dB强高斯噪声下，该模型仍能达到87.24%的精度，优于LSTM-CNN和WDCNN。
PGDS-CLNet：变载荷与强噪声下鲁棒轴承故障诊断方法的研究解读
**研究背景与问题**
滚动轴承是旋转机械中最易受损的部件之一，其运行状态直接决定设备整体性能与安全性。在实际服役环境中，轴承承受变载荷和强噪声干扰，多振动源相互耦合，使得早期故障诊断极具挑战性。传统故障诊断方法高度依赖人工特征工程，如小波变换、经验模态分解（EMD）、稀疏表示等信号处理技术配合支持向量机（SVM）或随机森林分类器，但这类方法鲁棒性差，难以从噪声中分离故障特征。近年来，深度学习算法如深度信念网络（DBN）、生成对抗网络（GAN）和卷积神经网络（CNN）凭借强自适应学习能力被成功应用于故障诊断，但现有模型往往计算成本高或需要大规模训练数据。在此背景下，开发一种轻量级且鲁棒的诊断模型，使其能在变载荷和强噪声下保持高精度，仍具有重要意义。此外，工业设备长期正常运行导致故障数据稀缺，有限样本下的早期故障预测也是研究重点。
**研究内容与结论**
研究人员提出了一种名为PGDS-CLNet的先验引导双跳连接卷积网络，用于变载荷和强噪声下的鲁棒轴承故障诊断。该模型在标准信号归一化和分段后即可端到端训练，无需人工设计诊断特征。PGDS-CLNet主要由先验引导特征提取模块（PGFEM）和双跳连接可分离卷积单元（DSCU）构成，并集成了学习率自适应Adam优化器、Dropout、小批量训练、L2正则化和批量归一化（BN）等综合优化策略。实验采用UT6818轴承故障试验台，以#6205深沟球轴承为测试对象，设置了10种健康状态（正常、球体轻度/中度/重度裂纹、内圈轻度/中度/重度裂纹、外圈轻度/中度/重度裂纹）和3种载荷条件（0、300、600 N）。振动信号由CA-YD-187T02压电加速度传感器采集，采样频率为20480 Hz，转速为1500 rad/min。经过最小-最大归一化和重叠切片增强后，每种故障状态分为175个训练样本、25个验证样本和50个测试样本。
实验结果表明，PGDS-CLNet在0、300和600 N载荷条件下的测试精度分别达到100.00%、98.34%和98.66%，平均测试精度为99.00%。与LSTM-CNN、WDCNN、LSTM、BPNN、RNN、IRSN/DRSN模型和CNN-Transformer模型相比，PGDS-CLNet在诊断精度、载荷适应性、损失和计算效率方面均表现更优。在?8 dB强高斯噪声下，PGDS-CLNet仍能达到87.24%的精度，高于LSTM-CNN（81.28%）和WDCNN（83.96%）。该研究为轴承状态监测提供了一种高效的端到端框架，对实际工业应用具有重要价值。论文发表在《Advances in Mechanical Engineering》。
**主要关键技术方法**
研究人员主要采用了以下关键技术方法：（1）先验引导特征提取模块（PGFEM），结合深度可分离卷积、高斯模糊先验（GBP）和通道门控机制，在抑制噪声的同时保留故障敏感瞬态特征；（2）双跳连接可分离卷积单元（DSCU），通过双跳连接保留浅层故障信息，利用深度可分离卷积降低计算负担；（3）综合优化策略，包括Adam优化器、Dropout、小批量训练、L2正则化和批量归一化；（4）基于t-分布随机邻域嵌入（t-SNE）的特征可视化分析和混淆矩阵评估。实验数据来源于UT6818轴承故障试验台采集的振动信号。
**结果分析**
**对比分析**
研究人员将PGDS-CLNet与LSTM-CNN、WDCNN、LSTM、RNN和BPNN五种模型在相同数据集和训练设置下进行对比。结果显示，PGDS-CLNet收敛最快，经过5次迭代即可稳定收敛，精度达到100%；而RNN收敛最慢，50次迭代后训练精度仅为66.43%。在三种载荷条件下，PGDS-CLNet的平均测试精度最高，为99.00%，其训练时间约为0.463 ms，远低于LSTM-CNN（12 ms）和CNN-Transformer模型（3.667 ms）。通过t-SNE可视化，研究人员发现PGDS-CLNet提取的不同故障特征在空间中分离有效且高度集中，证明了其强大的特征提取能力。混淆矩阵进一步表明，PGDS-CLNet能够有效区分全部10种故障状态，平均精度达100%。
**消融实验**
为定量验证各关键组件的贡献，研究人员进行了消融实验。将完整PGDS-CLNet与六种变体对比：将PGFEM替换为普通Conv1D块、从PGFEM中移除GBP、移除通道门控分支、将DSCU替换为传统Conv-BN-ReLU块、移除DSCU中的双跳连接、将深度可分离卷积替换为标准Conv1D。结果显示，移除PGFEM导致性能下降最显著，平均精度从99.00%降至97.47%，?8 dB噪声下精度从87.24%降至80.62%。单独移除GBP使平均精度降至98.37%，?8 dB精度降至82.84%，表明GBP主要贡献于噪声抑制。移除通道门控使平均精度降至98.59%，?8 dB精度降至84.36%。将DSCU替换为传统块后，平均精度降至97.71%，?8 dB精度降至81.48%。移除双跳连接使平均精度降至98.14%，?8 dB精度降至83.16%。标准卷积版本虽获得略高的平均精度（99.05%），但增加了参数和计算负担。消融实验证实了PGFEM、GBP、通道门控、DSCU和双跳连接对模型鲁棒性的重要贡献。
**敏感性分析**
研究人员对GBP的超参数（核大小K和高斯标准差σ）进行了敏感性分析。结果表明，默认配置K=5、σ=1.0取得最佳综合性能，平均精度为96.06%，?8 dB精度为87.24%。当K=3时，平滑不足，?8 dB精度降至84.96%；当K=7时，过度平滑可能削弱瞬态故障脉冲，平均精度反而低于K=5。σ=0.5时平滑强度较弱，?8 dB精度仅85.64%；σ=1.5时平滑增强，?8 dB精度升至86.18%，但平均精度仍低于默认设置。因此，K=5和σ=1.0在保留故障相关瞬态脉冲与抑制噪声干扰之间提供了合适的平衡。
**模型泛化验证**
研究人员在数据集A中添加信噪比（SNR）从?8 dB到4 dB的高斯白噪声，验证模型抗噪能力。结果显示，PGDS-CLNet在所有SNR水平下均表现最佳：在?8 dB强噪声下精度达87.24%，在4 dB弱噪声下精度达100%。相比之下，LSTM、RNN和BPNN在?8 dB下精度分别仅为68.36%、52.94%和35.92%。这表明PGDS-CLNet具有优异的抗噪性能。
**损失函数影响**
研究人员比较了八种损失函数（MSE、MSLE、MAE、Hinge、Squared Hinge、Categorical Hinge、BCE、CCE）对PGDS-CLNet性能的影响。结果显示，分类交叉熵（CCE）在0和300 N载荷下取得最佳性能，测试精度分别为100%和98.34%；在600 N载荷下，MSLE表现略优（99.16%），但CCE仍达96.60%的召回率。综合来看，CCE最适合该多分类诊断任务。
**讨论与结论**
**讨论总结**
研究结果表明，PGDS-CLNet通过结合先验引导特征提取、深度可分离卷积和综合优化策略，有效解决了变载荷和强噪声下的轴承故障诊断难题。消融实验和敏感性分析验证了各关键组件的必要性。然而，当前验证仍基于三种受控载荷条件和高斯噪声，尚不能覆盖所有工业场景，如变转速、复合载荷波动、润滑退化、温度变化和长期磨损等。未来需要在真实工业现场数据上进行进一步验证。
**研究结论翻译**
为解决变载荷和强噪声下的轴承故障诊断问题，本研究提出了一种先验引导的双跳连接卷积网络PGDS-CLNet。该模型直接从归一化的一维振动片段中学习判别性特征，无需人工设计诊断特征。PGFEM、GBP、通道门控、DSCU和综合优化策略共同改善了特征提取、噪声抑制和训练稳定性。实验结果表明，PGDS-CLNet在0、300和600 N载荷条件下的测试精度分别达到100.00%、98.34%和98.66%，平均测试精度为99.00%。与LSTM-CNN、WDCNN、LSTM、BPNN、RNN、IRSN/DRSN模型和CNN-Transformer模型相比，PGDS-CLNet在诊断精度、载荷适应性、损失和计算效率方面均取得更优的综合性能。在?8 dB强高斯噪声下，PGDS-CLNet仍达到87.24%的精度，高于LSTM-CNN和WDCNN。消融结果进一步证实了PGFEM、GBP、通道门控、DSCU和双跳连接对模型鲁棒性的贡献。敏感性分析表明，K=5和σ=1.0在噪声抑制与故障脉冲保留之间提供了合适的折衷。尽管如此，当前验证仍基于三种受控载荷条件和高斯噪声，未来工作将进一步研究PGDS-CLNet在变转速、复合载荷、长期退化和真实工业噪声条件下的性能。
