《Measurement and Control》：Multimodal gated fusion and domain adaptation for cross-condition high-speed train bearing fault diagnosis
编辑推荐：
摘要：高速列车轴箱轴承振动信号的非平稳性，以及实验室数据与现场数据之间的分布差异，使得直接将基于实验数据训练的故障诊断方法应用于实际运行工况面临挑战。本文提出了一种基于ConvNeXt与ResNet1D的四分支多模态无监督域自适应故障诊断框架，称为CRG-DA
摘要：高速列车轴箱轴承振动信号的非平稳性，以及实验室数据与现场数据之间的分布差异，使得直接将基于实验数据训练的故障诊断方法应用于实际运行工况面临挑战。本文提出了一种基于ConvNeXt与ResNet1D的四分支多模态无监督域自适应故障诊断框架，称为CRG-DA Net，旨在无标签目标数据条件下实现跨工况故障诊断。利用包络谱分析、短时傅里叶变换和小波变换从原始振动信号中提取多尺度和多域故障特征。随后构建四分支并行网络，采用ConvNeXt-Tiny对时频表示进行建模，ResNet1D学习原始信号的时域特征，每个分支生成高维特征表示及相应的故障预测逻辑值。为考量不同模态判别贡献的差异性，引入门控动态融合机制，该机制从拼接后的分支特征中计算样本特定的融合权重，并将各分支预测结果整合为最终融合输出。此外，结合对抗域自适应与伪标签自训练以对齐源域和目标域的特征分布，目标域样本按照相同的门控融合与预测流程进行分类。在多工况实验室数据集和实际运行数据上的大量实验表明，所提出的CRG-DA Net取得了优异的故障诊断性能，达到预期实验效果，并在不同运行工况下展现出较强的泛化能力。
基于多模态门控融合与域自适应的跨工况高速列车轴承故障诊断方法解读
**一、研究背景与问题提出**
滚动轴承是高速列车走行系统中的关键易损部件，其运行状态直接影响列车安全与系统可靠性。在轴箱轴承系统中，轴承承受高转速、变载荷和复杂结构传力路径的作用，同时受到轨道不平顺、周期性载荷变化和环境扰动等因素影响，使得轴承运行工况呈现高度非平稳性和复杂性。局部损伤或渐进性故障可能引发列车异常运行甚至造成严重安全事故。因此，可靠的高速列车轴承故障诊断对状态监测、预测性维护和安全运行至关重要。在实际运行环境中，轴箱轴承在速度、载荷与轨道条件等方面存在显著变化，导致振动信号在时间尺度、频率内容和统计特性上发生明显改变。由于转速波动、载荷变化和复杂传力路径的存在，不同工况下采集的振动信号往往呈现显著分布差异，造成训练数据与实际运行数据之间的分布偏移。此外，强背景噪声、故障样本有限和高标注成本进一步阻碍了数据驱动诊断模型的应用，导致跨工况应用中特征不稳定与性能退化。从故障机理角度分析，局部轴承缺陷会产生周期性冲击响应与调制效应，故障相关信息分布于时域非平稳冲击、频域特征频率与调制边带、时频域局部能量变化等多个域中。然而，复杂运行工况与强噪声干扰下，单一信号表示通常不足以完整稳健地表征轴承故障。传统轴承故障诊断方法主要依赖基于物理原理的信号处理手段，为降低对人工特征提取的依赖，深度学习方法被逐渐引入并取得了良好效果，但有限工况下训练的模型在应对未见工况时仍因分布偏移而出现性能退化。为应对跨工况分布差异，迁移学习与域自适应技术被引入领域，但现有方法大多依赖单一或有限的信号表示，并未充分利用复杂非平稳条件下多模态特征的互补优势，且无标签实际运行场景中的特征稳定性仍然面临挑战。
**二、研究内容与数据集概况**
针对上述问题，研究人员对跨工况故障诊断场景展开研究，以CWRU轴承数据集为源域，以实际高速列车运行工况下采集的振动数据为目标域，提出一种称为CRG-DA Net的四分支多模态无监督迁移故障诊断框架。该框架通过整合并行多模态特征提取、门控动态融合机制、对抗域自适应和基于熵的约束，实现在无目标域标签条件下稳健的跨工况轴承故障诊断。数据方面，源域采用CWRU公开数据集，包含正常、内圈故障(IR)、外圈故障(OR)和滚动体故障(B)四类状态，故障尺寸涵盖0.007到0.028英寸，采样频率为12 kHz与48 kHz；目标域采用实际高速列车轴箱轴承振动数据，轴承转速约为600 rpm，原始采样频率为32 kHz。
**三、主要技术方法**
研究人员采用以下关键方法：其一，对原始振动信号进行重采样与幅值归一化处理，消除采样率和幅值尺度差异；其二，基于谱峭度(SK)的自适应频带选择用于确定最优共振频带并指导带通滤波与包络解调；其三，通过阶次归一化切片消除转速变化对信号周期结构的影响；其四，构建多模态特征提取体系，利用包络谱分析、短时傅里叶变换(STFT)和连续小波变换(CWT)提取频域与时频域特征，结合原始时域波形构成四模态输入；其五，设计基于ConvNeXt-Tiny与ResNet1D的四分支并行网络架构，实现异构特征的深度建模；其六，提出门控动态融合机制，由多层感知机(MLP)门控网络根据拼接特征生成各模态权重，将分支预测逻辑值加权融合为最终输出；其七，引入基于梯度反转层(GRL)的对抗域自适应、目标域熵最小化及高置信度伪标签自训练，实现源域与目标域特征分布对齐及决策边界优化。
**四、研究结果**
**多模态特征互补性与融合策略有效性验证。** 研究人员在相同数据划分、网络架构和训练超参数下开展单模态与多模态模型对比实验。结果显示，最佳单模态模型(WAV?1D)准确率为89.2%，三模态融合模型(M1)将准确率提高约3.3%，四模态融合模型(M2)达到94.3%的准确率与95.1%的Macro-F1。在相同输入模态条件下，门控融合模型(M3)较平均融合模型准确率提升1.9%、Macro-F1提升1.3%，表明性能增益主要来自门控机制的自适应融合能力。
**两阶段训练策略与门控融合的特征判别性。** 两阶段训练策略中，第二阶段开始时验证准确率从约0.30快速上升至0.83，随后稳定收敛至约0.96。特征可视化分析表明，引入门控融合后特征簇更加紧凑、类间分离更清晰。混淆矩阵显示，正常状态与外圈故障识别接近完美，内圈与滚动体故障也保持较强分类性能。
**跨工况域差异与域自适应效果评估。** 源域训练模型直接应用于目标域时，IR类识别率极低，B类大量被预测为OR类，OR与IR类间存在严重混淆，准确率仅33.6%。研究人员设计了严格的文件级独立测试集划分方案：16个目标域文件(A–P)中，前8个文件(A–H)作为无监督自适应集用于域对抗训练、熵最小化和伪标签自训练，后8个文件(I–P)完全排除于训练过程，仅作为独立测试集。经域自适应后，CRG-DA Net在独立测试集的544个窗口样本中正判499个窗口，总体准确率达91.7%，单文件窗口召回率范围为0.809–1.000。与基线方法对比，CRG-DA Net优于DANN(78.0%)、CDAN(81.5%)、MCD(84.0%)和MDD(86.0%)。相比源域直迁模型，准确率提升58.1个百分点，Macro-F1由0.32提升至0.91，各类别召回率从0.00–0.69提升至0.84–0.97。训练过程中，代理A距离(PAD)与最大均值差异(MMD2)逐渐下降，目标域平均预测熵持续降低，表明源域与目标域特征分布差异被有效消除，目标域预测稳定性增强。t-SNE可视化进一步验证了域适应后源域与目标域特征分布趋于接近，伪标签聚类结果呈现清晰的类内紧凑与类间分离结构。
**五、讨论与结论**
针对实际工况与实验室数据之间的显著分布差异，所提出的CRG-DA Net框架通过多模态表示学习、自适应特征融合与无监督域自适应三者统一架构，在真实高速铁路轴承运行数据上验证了其跨工况诊断能力。门控动态融合机制通过引入分支预测不确定性作为门控网络的显式输入，能够在非平稳工况下自适应抑制不可靠模态的干扰，克服了固定权重或平均融合策略的局限性。对抗域自适应与伪标签自训练机制在无目标域标注条件下实现了知识迁移与决策边界细化，显著提升了跨工况诊断稳定性。总体而言，该研究为复杂可变工况下的轴承故障诊断提供了系统性解决方案，具备在高速列车轴承系统智能状态监测与故障诊断领域的工程应用价值。
