一种三视图自适应分解框架，通过非平稳信号的波动-结构表示方法，用于工业机械的智能故障诊断

《Neurocomputing》：A tri-view adaptive decomposition framework for intelligent fault diagnosis of industrial machinery via fluctuation–structure representation of non-stationary signals

　　摘要：在变化的运行条件下进行智能故障诊断仍然具有挑战性，因为非平稳的机械信号通常包含以不同形式存在的异构诊断信息。一个核心挑战是在区分对故障敏感的波动和缓慢变化的结构背景的同时，组织互补的多视图表示。为了解决这个问题，本文提出了一种三视图自适应分解框架（TADF）用于非平稳故障诊断。首先，开发了一种面向诊断的三视图嵌入策略，在共享的潜空间中构建时间、频谱和诱导的时间-频谱协作分支。然后将对齐的潜状态分解为特定于分支的波动状态和协调的结构状态，为后续的协作编码提供结构化输入。其次，设计了一种三视图自适应分解编码器（TADE），用于精细化瞬态故障敏感的波动，同时逐步在各分支中积累结构信息。最后，一个自适应融合模块整合了分支级的诊断证据和融合的波动-结构信息以进行最终分类。在对风力涡轮机齿轮箱数据集和轴承数据集进行的跨条件实验表明，与代表性的故障诊断模型相比，TADF取得了具有竞争力的跨条件诊断性能。

引言：随着现代工业系统复杂性的增加，智能故障诊断（IFD）对于确保运行可靠性和安全性变得至关重要。在真实的工业环境中，机械信号往往高度非线性、非平稳，并且对变化的运行条件非常敏感[1]、[2]。在这种条件下，基于手工特征或单域分析的传统IFD方法往往无法捕捉到与故障相关的信息的多样性[3]。因此，深度学习作为一种有效的故障诊断范式应运而生，特别是用于从复杂的非平稳信号中学习判别性表示。对于非平稳机械信号，与故障相关的证据通常分布在多个互补的表示空间中。时域表示保留了瞬态波形变化，频域表示表征了频谱分布和与故障相关的频率分量，而时频域表示描述了非平稳信号的联合时间-频谱模式[4]。由于不同的故障特征在不同的表示形式中可能更为显著[5]，有效利用它们的互补性对于在不同运行条件下进行稳健的诊断至关重要。最近的研究通过基于图的融合[6]、[7]、[8]、基于卷积的交互[9]和基于注意力的跨视图学习[10]对跨视图或传感器通道的互补诊断信息进行了建模。例如，Yu等人[8]开发了一个多层次图引导框架，以在严重偏置的数据下捕捉多个信号通道之间的全局和局部关系。同样，Ren等人[11]提出了一个混合自适应融合深度学习模型，进一步表明自适应跨视图融合可以提高复杂环境中多视图诊断表示的鲁棒性。总的来说，这些研究强调了利用多个视图中的互补诊断线索的价值。

尽管取得了这些进展，但对于非平稳多视图诊断来说，仍有两个表示层面的问题仍然相关。首先，尽管时间、频谱和时频表示是互补的，但它们在统计组织、局部相关结构和特征几何形状上有很大的差异[12]。现有方法通常并行处理这些表示，然后通过跨视图交互或融合来耦合它们的潜在特征。在这种范式下，异构的潜在特征可能只能部分协调，这限制了用于细粒度协作学习的共享表示基础的形成[13]、[14]、[15]。其次，非平稳振动信号的潜在表示同时编码了快速变化的故障敏感线索（如瞬态影响和局部振荡）以及与运行条件和长期演化相关的缓慢变化的背景模式[16]、[17]。因此，明确组织这些信息角色对于在后续协作编码过程中保留局部诊断变化和结构背景非常重要。基于分解的序列建模为组织具有不同时间特征的组件提供了相关的基础[18]。这促使我们提出了一种面向诊断的表示机制，该机制在跨视图学习过程中区分了对波动敏感的信息和与结构相关的背景。

受此启发，我们提出了一种三视图自适应分解框架（TADF）用于非平稳IFD。在上面讨论的融合和分解机制的基础上，TADF构建了时间、频谱和时间-频谱潜分支，并通过TADE将波动精细化与逐步的结构信息积累相结合。这项工作的主要贡献总结如下：1) TADF旨在在共享空间中构建时间、频谱和时间-频谱潜表示，并将它们组织成与波动和结构相关的状态，用于非平稳IFD。2) TADE通过集成依赖于分支的多尺度分解与波动状态的细化和通过互补的跨视图交互进行逐步的结构信息更新来开发。3) 在风力涡轮机齿轮箱和轴承数据集上进行的跨条件实验提供了实证证据，证明TADF在未见过的运行条件下的有效性，与代表性的诊断模型相比具有竞争力。

问题设置：考虑在变化运行条件下收集的多通道信号的非平稳IFD。给定一个输入样本，其中表示序列长度，表示传感器通道的数量，目标是根据特征表示将其分配到相应的健康状态。具体来说，考虑了三种分支表示，即时间视图、频谱视图和诱导的时间-频谱协作视图。时间视图直接作为原始数据使用。

TADF的整体架构如图1所示，提出的TADF首先构建时间潜态和频谱潜态，然后通过面向诊断的三视图嵌入诱导时间-频谱协作态。随后将得到的分支表示分解为与波动相关的和与结构相关的分量，其中与结构相关的分量在各个分支之间进行协调，以建立共享的结构基础。基于这些互补的分量，TADE精细化瞬态故障相关信息并逐步积累结构信息。

数据集描述：使用两个公共基准数据集进行评估：北京工业大学（BJUT）风力涡轮机齿轮箱数据集[20]和帕德博恩大学（PU）轴承故障诊断数据集[21]，如图3所示。BJUT数据集以48 kHz的采样频率收集，包含两个振动信号和一个编码器信号。它涵盖了五种齿轮箱健康状态，包括健康（H）、断齿故障（BF）、缺齿故障（MF）、根裂故障（RF）和磨损故障（WF）。

结论：在本文中，我们提出了一种三视图自适应分解框架（TADF），用于在不同运行条件下的非平稳智能故障诊断。该框架构建了时间、频谱和诱导的时间-频谱协作分支，并进一步将它们对齐的潜态分解为与波动相关的和与结构相关的组件。通过三视图自适应分解编码器（TADE），细化了瞬态故障相关信息并积累了结构信息。

作者贡献声明：
Xiang Li：撰写——原始草稿、方法论、调查、形式分析、概念化。Qitong Chen：撰写——审阅与编辑。Xinhao Yang：项目管理、资金获取。Liang Chen：撰写——审阅与编辑、资金获取。Changqing Shen：撰写——审阅与编辑、资金获取。

关于生成式AI和AI辅助技术在写作过程中的声明：在准备本研究的过程中，作者使用了GPT-5.5来润色语言。使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全部责任。

关于利益冲突的声明：作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Liang Chen报告得到了国家自然科学基金（项目编号52375114）的财务支持。Changqing Shen报告得到了国家自然科学基金（项目编号52272440和52175056）的财务支持。如果有其他作者，他们声明没有已知的财务利益或个人关系。

致谢：本项工作得到了国家自然科学基金（项目编号52375114、52272440和52175056）、江苏省研究生研究与实践创新计划（项目编号KYCX25_3465）、苏州关键核心技术“开放竞赛”研究项目（项目编号SYG2024064、2024019、SYG2025054、SYG2025097）以及HuiChun Chin和TsungDao Lee中国本科生研究基金（CURE）的财政支持。Xiang Li目前在中国苏州的苏州大学机械与电气工程学院攻读学士学位。她的研究兴趣包括工业机器的故障诊断、旋转机械的故障诊断、对抗学习、小样本学习和迁移学习。

Xiang Li | Qitong Chen | Xinhao Yang | Liang Chen | Changqing Shen
苏州大学机械与电气工程学院，中国苏州，215000