基于改进冠豪猪优化器无标签自适应信号重建与双分支ICNN-BiLSTM的滚动轴承故障诊断方法

《Scientific Reports》：A label-free adaptive signal reconstruction strategy within a supervised framework for rolling bearing fault diagnosis

　　摘要滚动轴承故障诊断仍面临挑战，因为弱冲击分量容易被机械干扰所掩盖，且变分模态分解的性能对参数选择和模态筛选高度敏感。为解决这些问题，本研究提出了一种无标签自适应信号重建框架，利用改进的冠豪猪优化器在无需故障标签信息的情况下优化VMD参数。"无标签"仅指参数优化和IMF选择阶段，而非分类阶段。进一步设计了一种结合包络熵和皮尔逊相关系数的复合IMF选择指标，用于识别故障敏感模态以实现信号重建。重建信号通过同步压缩小波变换转换为集中的时频表示，并开发了双分支ICNN-BiLSTM网络以学习多尺度空间纹理和时间依赖性。在CWRU和帕德伯恩轴承数据集上进行了实验，采用物理隔离的数据划分、重复试验、消融研究和对比评估。结果表明，所提方法在CWRU和帕德伯恩数据集上分别达到了99.75% ± 0.22%和99.88% ± 0.10%的平均准确率。精确率、召回率、宏F1、各类别F1分数和混淆矩阵分析进一步证实了所提框架的逐类诊断性能。该框架缓解了因物理形态高度相似的损伤模式导致的分类混淆。结果表明，所提框架在所评估的固定载荷基准条件下对轴承故障诊断有效。