用于轴承故障诊断的多层次抗噪双分支框架：从自适应信号净化到可信特征融合

《Measurement》：A multi-level noise-robust dual-branch framework for bearing fault diagnosis: from adaptive signal purification to credible feature fusion

　　

•多层级双分支框架实现了强噪声下的鲁棒轴承诊断。
•RIS 和噪声门控交叉注意力系统地阻断了噪声的逐层传播。
•模型在 ?6 dB 信噪比下实现了 91.78% 的准确率，参数数量仅为轻量级的 0.373 M。

引言
滚动轴承是旋转机械中的关键支撑部件，其运行状况直接影响机械系统的安全性和可靠性 [1], [2], [3]。在实际工业环境中，轴承振动信号通过机械传输路径传播，并与多种干扰源耦合，包括转子不平衡、结构共振、气流扰动和环境随机噪声 [4], [5], [6]。在故障早期阶段，通常仅产生弱幅值和短持续时间的周期性脉冲响应。同时，宽带噪声和低频运行干扰抬高了谱噪声基底，并通过调幅、调频和传输路径滤波改变了故障脉冲的时频分布，从而模糊了故障特征频率及其边带结构 [7]。因此，在复杂低信噪比条件下进行可靠的故障信息提取和鲁棒建模已成为智能轴承故障诊断研究中的核心挑战 [8]。

近年来，基于深度学习的分类器越来越被应用于故障诊断任务。与传统的基于物理模型或信号处理的方法相比，深度学习方法通常表现出更优的分类精度和泛化能力 [9]。这些分类器通常处理三种类型的输入：时域信号、频域信号和时频表示 [10]。郭等 [11] 采用了改进的自适应噪声完备集合经验模态分解 (ICEEMDAN) 来重构时域中的本征模态函数 (IMFs)，在抑制噪声的同时实现了全局信息保留。然而，该方法仍可能受模式混合影响，从而对特征提取产生不利影响。王等 [12] 利用脉冲波形和瞬态响应增强了基于注意力的模型。尽管如此，对故障特征频率和调制边带的显式表征仍然不足，使得模型在强噪声或复杂运行条件下容易受到冗余时间干扰的影响。与时域输入不同，频域表示可以显式强调故障特征频率和周期分量。侯等 [13] 利用快速傅里叶变换 (FFT) 显式提取频域特征，并结合改进的 Transformer 实现并行多特征融合和长程依赖建模，从而提高了诊断精度和泛化性能。崔等 [14] 将振动信号转换为频域图像并输入到 L-CNN 中进行故障识别，使模型能够在保持计算效率的同时学习判别性谱结构。然而，频域分析往往无法保留故障脉冲的时间局部性和非平稳演化。当噪声分量与故障相关频段重叠时，仍可能发生特征混叠，允许噪声主导分量传播到深度学习网络中。

因此，仅从时域或频域提取特征存在显著局限性。近年来，时频双分支输入已成为强噪声诊断场景下提高鲁棒性的重要方向。许等 [15] 提出了一种基于时频双通道 Transformer 的诊断模型，通过联合利用时间动态响应和频域结构信息来增强判别能力。贾等 [16] 进一步提出了 MAFRP-ST 框架，将原始振动信号转换为包含时频特性的多尺度不对称特征复现图。现有研究表明，与单域输入相比，时频融合输入提供了更全面的故障判别信息 [17]。然而，大多数现有方法主要关注特征互补性和表示增强，而缺乏对跨域融合过程中噪声主导响应的传播和放大的显式约束。

随着深度学习的快速发展，基于 CNN、Transformer 及其变体的智能诊断方法逐渐成为主流。陈等 [18] 提出了一种结合 CEEMD 和 STFT 的诊断方法，集成多尺度 CNN 以增强特征多样性，并在低速和重载条件下展示了出色的诊断性能。施等 [19] 设计了三个具有不同膨胀率的卷积分支，并将密集网络与时卷积网络集成，以提高特征学习过程中的感受野传播。尽管基于 CNN 的方法可以有效提取局部脉冲特征和多尺度模式，但其特征建模能力通常受到有限感受野和分层堆叠结构的限制。相比之下，Transformer 通过自注意力机制在不同序列位置之间建立全局依赖关系 [15]。肖等 [20] 提出了一种贝叶斯变分框架，将注意力权重建模为潜在随机变量，从而提高了 Transformer 在故障诊断任务中的泛化能力。杨等 [21] 指出，尽管 Transformer 具有强大的特征提取和建模能力，但其高计算成本和有限的噪声鲁棒性限制了工业部署。因此，在强噪声故障诊断场景中，如何在保持全局建模能力的同时提高噪声鲁棒性并降低计算成本仍然是基于 Transformer 模型的关键挑战。

复杂工业系统中的鲁棒监测也通过子空间表示和分布式信息融合得到了改进。例如，投影辅助分布式监测使用自适应残差生成和平均一致性融合来解耦互联子系统之间的扰动 [22]。子空间辅助分布式监测进一步表明，潜在子空间建模可以增强互联工业系统的可靠性和可维护性 [23]。冗余导航系统中的可靠诊断也得到了研究，其中奇偶校验向量检测和基于 UKF 的对准提高了大不对准角度下的故障识别 [24]。这些研究表明，鲁棒性不仅取决于判别性特征提取，还取决于可靠的表示构建和信息融合。然而，它们的场景与低信噪比轴承振动诊断不同，从信号重构到特征融合的多级噪声抑制仍然探索不足。

总体而言，尽管关于强噪声故障诊断和鲁棒工业监测的现有研究已从单特征提取演变为多尺度建模、时频融合、注意力增强、子空间表示、分布式信息融合和轻量级部署，但仍然存在着三个渐进的挑战。首先，在信号输入层面，应自适应选择可靠模式，以防止噪声主导分量进入深度网络。其次，在特征提取层面，应同时捕捉短持续时间脉冲、周期结构和全局依赖关系，同时防止模型在强噪声下学习无效或冗余特征。第三，在跨域融合层面，应在时频交互过程中显式抑制低置信度响应，以防止噪声通过注意力机制放大。从根本上说，噪声不仅仅存在于信号预处理过程中，而是逐渐传播到信号输入、特征建模、跨域融合和分类决策的整个流水线中。因此，将噪声抑制限制在单个模块或孤立阶段是不够的，无法从根本上解决低信噪比条件下的诊断性能退化问题。

为了解决上述问题，提出了一种多层级噪声鲁棒双分支框架 (ML-NRF)。该框架将噪声抑制从孤立的预处理扩展到涵盖信号、特征和融合层级的分层约束机制。在信号层面，时域分支中引入了 IMF 鲁棒性选择机制 (RIS)。RIS 在高置信度子空间内进行自适应重构。同时，频域分支中采用维纳滤波来抑制谱噪声并增强结构信息。在特征层面，设计了多尺度卷积模块和 Transformer 编码器。这些模块共同捕捉局部脉冲特征、多尺度周期信息和长程依赖关系。在融合层面，提出了一种噪声门控交叉注意力机制 (NGCA)。NGCA 在注意力分配之前抑制低置信度特征响应。该机制限制了跨域交互过程中的噪声传播。总体而言，该框架通过多级协作噪声抑制，系统地提高了复杂噪声环境下的诊断能力。本研究的主要贡献总结如下：

(1) 针对强噪声下的轴承故障诊断制定了一种全流水线多级噪声鲁棒机制。与将噪声抑制限制在孤立预处理或特征增强阶段的常规方法不同，ML-NRF 将噪声抑制扩展到信号输入、特征提取和跨域融合阶段，逐步限制噪声主导分量的进入、传播和放大。

(2) 根据噪声传播路径开发了一种协调的时频双分支策略。基于 RIS 的 IMF 重构和维纳谱增强提高了两个输入域的可靠性，而 MSC 和 Transformer 共同捕捉局部脉冲模式、多尺度周期结构和长程依赖关系。因此，这些模块执行互补和相互依赖的功能，而不是形成简单的串联组合。

(3) 提出了一种噪声门控交叉注意力机制作为主要的模块级创新。通过在 Softmax 归一化之前将可学习可靠性门控纳入注意力分数，NGCA 将传统的相似度驱动交叉注意力转变为可靠性调制竞争，从而抑制噪声主导特征在时频融合过程中的参与。

(4) 在 CWRU 和 SU 数据集上的综合实验，包括多噪声测试、与代表性方法的比较、消融研究、统计显著性分析和机制可视化，证明了所提出框架的有效性、鲁棒性和计算效率。

本文其余部分组织如下。第 2 节详细介绍了所提出的方法。第 3 节展示了实验结果和分析。第 4 节讨论了所提出方法的潜在适用性和局限性，第 5 节总结了本文。

章节摘要
鲁棒-IMF 选择机制
在强噪声条件下，滚动轴承的振动信号通常包含随机扰动和与运行条件相关的干扰，这可能会掩盖微弱的故障相关脉冲。为了获得更可靠的时域表示，首先采用自适应噪声完备集合经验模态分解 (CEEMDAN) 将原始信号分解为一系列本征模态函数 (IMFs) 和残差分量 [25]。

分解结果可以是

实验结果与讨论
为了评估 ML-NRF 的诊断准确率、噪声鲁棒性和泛化能力，在两个公开轴承数据集上进行了实验：凯斯西储大学 (CWRU) 数据集 [29] 和东南大学 (SU) 数据集 [30]。CWRU 数据集包含不同缺陷严重程度的单点轴承故障，使其适用于评估噪声干扰下的微弱故障特征识别。SU 数据集包含多种故障类型以及

讨论与局限性
尽管 ML-NRF 在两个公开轴承数据集上表现出强大的噪声鲁棒性，但仍存在若干局限性。首先，实验主要采用基于重叠滑动窗口分割的样本级评估协议。尽管所有方法都在同一协议下进行比较，但相邻样本可能保留部分时间相似性。因此，报告的结果主要反映了统一样本级设置下的相对性能，而不是严格的时间泛化。

结论
为了解决滚动轴承故障特征在强噪声条件下的退化问题以及传统单阶段去噪方法无法连续抑制噪声主导模式逐层传播的问题，本研究提出了一种多层级噪声鲁棒双分支故障诊断框架 (ML-NRF)。该框架将噪声鲁棒建模从局部处理扩展到涵盖信号输入、特征提取，以及

CRediT 作者贡献声明
Haowen Jia：写作 – 审查与编辑，写作 – 初稿，可视化，软件，方法论。Jian He：监督，资源，方法论。Xiaodan Sun：写作 – 审查与编辑，项目管理，方法论，资金获取。Houzhao Zhu：验证。Changjun Wu：验证。Jingyi Guo：验证。

竞争利益声明
作者声明他们没有已知的竞争性财务利益或可能影响本文报告工作的个人关系。

致谢
作者感谢国家自然科学基金 (项目编号：52278297)、凯斯西储大学和东南大学提供滚动轴承振动状态监测的基准数据集。

Haowen Jia|Jian He|Xiaodan Sun|Houzhao Zhu|Changjun Wu|Jingyi Guo