一种用于在强噪声环境下降判轴承故障的多尺度时频小波网络

《Digital Signal Processing》：A Multi-scale Time-Frequency Wavelet Network for Bearing Fault Diagnosis under Strong Noise

　　摘要
在强噪声条件下，基于传统卷积神经网络（CNN）的轴承故障诊断方法的性能会迅速下降。为了解决这一限制，提出了一种新型的多尺度时频小波网络（MTFW-Net）。其并行的三分支架构能够显式提取时域结构特征、频域周期信号以及多小波瞬态模式。具体而言，时域和频域分支构成了一个基于可重用时频特征增强层（TFFEL）的深度双域增强架构。TFFEL不是依赖于简单的数据驱动连接，而是建立了一个以物理原理为指导的学习范式。它利用Gramian噪声减少（GNR）处理后的特征作为确定性结构先验，从而显式调节频域表示，从而克服了盲融合带来的性能下降。同时，并行的多小波域分支通过协同使用小波保持变换（WRT）和离散小波变换（DWT）来捕捉互补的瞬态特征。在两个数据集上系统验证了MTFW-Net的有效性。该算法在具有挑战性的-10 dB噪声条件下仍实现了91.02%的诊断准确率，显著优于其他基线模型。结果证实了其基于物理原理的架构相比其他流行去噪方法的优越性。

引言
旋转机械的可靠运行是现代工业系统的基本要求，因为它直接防止了经济损失并保障了生产效率[1,2]。作为无处不在且至关重要的组件，滚动轴承特别容易发生故障[3]。未被发现的轴承故障可能导致计划外停机，甚至引发灾难性事故[4]。因此，开发精确且高效的车轴承智能诊断框架是关键的研究重点。

在轴承故障诊断的早期阶段，轴承缺陷的识别主要依赖于传统的信号处理方法，这些方法在Randall和Antoni的权威教程中进行了系统回顾[5]。在这个丰富的经典工具箱中，包络分析结合频谱峰度/峰度图被广泛用于定位携带脉冲故障特征的共振带[6]，而经验模态分解（EMD）结合希尔伯特谱提供了一种完全数据驱动的非平稳模式分离方法[7]。基于同样的自适应模态分离思想，变分模态分解（VMD）进一步提高了分解的数学严谨性和抗噪声能力，因此成为分离故障相关组件的最流行工具之一[8]。尽管这些传统方法具有坚实的物理可解释性，但它们存在一个显著缺点：它们严重依赖于复杂的手动特征工程和参数选择，并且需要深厚的领域知识来设计和调整诊断流程[9]。为了克服对人工经验的依赖，深度学习（DL）方法，特别是卷积神经网络（CNN），作为一种补充范式出现，而不是严格信号处理的替代方案；两者发挥着不同且相互支持的作用，传统方法在物理可解释性、小样本情况和分布外情景中仍具有不可或缺的价值。凭借其强大的端到端自动特征提取能力，CNN迅速成为该领域的主流研究范式，成功处理了诸如跨条件故障诊断等复杂任务[10]。

尽管被广泛采用，标准CNN架构在复杂工业应用中仍存在关键弱点[11]。具体来说，它们对噪声干扰非常敏感，这会严重影响模型性能。这种脆弱性源于外部噪声掩盖了信号中的显著故障特征，导致算法过拟合到无效特征上。为了解决这一强噪声瓶颈，提出了许多改进策略，例如集成双向时间网络[12]。此外，最近的进展引入了基于Transformer的轻量级框架，这些框架利用先进的注意力机制和时频特征融合来提高在重噪声、变速和有限样本条件下的诊断鲁棒性[13,14]。例如，Zhu和He[15]开发了一种简化的残差架构（ResNet），通过修改网络架构本身来增强抗噪声能力，而不是依赖外部去噪模块。Gao等人[16]提出了一个基于注意力的残差收缩模型（AMARSN），通过将注意力机制与自适应去噪阈值集成，在统一的特征流中减轻噪声。其他方法采用串联流程[17,18]，首先应用先进的信号处理技术进行去噪，然后再由深度学习模型进行分类。然而，面对严重噪声时，这种单域特征流或简单的串联处理策略难以提取出鲁棒的故障表示。因此，研究转向了更复杂的并行和多域架构[19]。例如，Han等人[20]构建了一个在时间和频谱维度上运行的对抗性编码器-解码器架构（DAREDNs）以实现更优的去噪效果。Zhong等人[21]提出了一个基于注意力的卷积框架（PLA-CNN），同时执行噪声减少和故障分类，以促进协同作用。类似地，还提出了一种鲁棒的集成学习框架[22]，融合了三种不同的基础学习器以增强泛化能力。

尽管这些多域模型成功提高了抗噪声能力，但它们的融合策略主要集中在高级集成上。进一步利用中间层中的深度、迭代跨域特征增强仍然是必要的。特别是，双域特征精炼范式，其中鲁棒的域特征在每个提取阶段都精细化并强化了受污染的特征，为提高特征鲁棒性提供了有希望的途径，但这尚未得到充分实现。为了弥合这一差距，本文提出了多尺度时频小波网络（MTFW-Net），这是一种为深度时频双域特征增强设计的三分支并行架构。一项主要创新是在时域和频域分支之间进行跨域特征精炼。这种机制通过三个时频特征增强层（TFFELs）的级联实现，其中Gramian噪声减少（GNR）处理后的时域特征迭代地精细化频域表示的学习。同时，并行的多小波域分支通过结合小波保持变换（WRT）和离散小波变换（DWT）提取补充的瞬态特征。

本文的主要贡献如下：
1. 提出了一种新的三分支网络（MTFW-Net），以并行和协作的方式整合时域、频域和联合时频维度的表示，以实现鲁棒的故障诊断。
2. 设计了一个核心的可重用时频特征增强层，建立了基于物理原理的学习范式，而不是简单的架构组合。与传统的数据驱动盲融合不同，TFFEL通过使用GNR处理后的特征作为确定性结构先验，代表了实质性的方法创新。这种显式的先验通过多阶段迭代精炼持续指导和调节频域潜在空间，确保即使在极端强噪声背景下也能实现鲁棒的理论收敛性和高度区分性的特征提取。

除了具体的TFFEL和多小波模块外，MTFW-Net的更深层次贡献是一种通用范式——由抗噪声先验引导的多域并行特征提取，随后进行多阶段跨域精炼。每个组件都是可互换的，因此该框架预计可以扩展到其他旋转组件、替代感测模式以及相关任务，如剩余使用寿命预测。

本文的其余部分组织如下：第2节详细介绍了本工作中使用的基本原理。第3节介绍了MTFW-Net的整体架构及其核心组件。第4节概述了实验配置和全面的结果分析。最后，第5节提供了结论性意见。

小波变换（DWT和WRT）
DWT和WRT是时频分析框架的基础组件。
DWT：作为一种基础的多分辨率分解方法[23]，传统的DWT通过将信号与高通滤波器h[n]和低通滤波器g[n]卷积来分解信号。数学上，这种过程相当于在没有填充的情况下进行离散卷积，因此由于边界效应会缩短输出序列长度。

总体架构
所提出的MTFW-Net的整体架构如图3所示，基于两个核心原则：通过三分支并行框架进行多域特征提取，以及通过提出的TFFELs实现双域增强。具体来说，输入的一维信号同时被馈送到三个分支中。多小波域分支独立执行分阶段的多分辨率分析。同时，时域和频域路径通过...

实验验证
为了全面验证所提出的MTFW-Net的有效性和架构优势，进行了与五个代表性深度学习模型的综合基准测试。这些基线模型涵盖了不同的设计理念，为性能比较提供了坚实的基础：
(a) GTFE-Net [25]：一种专为高噪声环境设计的先进模型，具有三分支并行架构，是GNR模块的起源。

结论
本文的核心贡献是提出了一种新型的MTFW-Net——一种三分支并行架构，旨在克服标准卷积神经网络在强声学干扰下诊断轴承故障时经历的严重性能下降。在这种架构中，无缝嵌入在时域和频域路径中的跨域特征精炼机制代表了关键的理论贡献。

数据可用性
本研究中分析的CWRU轴承数据集在凯斯西储大学轴承数据中心（https://engineering.case.edu/bearingdatacenter）公开提供；本工作中使用的具体运行条件（驱动端、电机负载0–3马力、采样率12 kHz、故障直径0.007–0.021英寸）在4.1节中有详细说明。转子-行星系统数据集是在持续的工业合作下获得的，受保密限制；

利益声明
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：Yibing Li报告称获得了国家自然科学基金、湖北省自然科学基金和湖北省重点实验室的目标调试项目的财政支持。如果有其他作者，他们声明没有已知的利益冲突或个人关系可能影响...

贡献声明
Li Jiang：概念化、软件、写作 - 原稿撰写、数据管理。
Jiangnan Zhu：方法论、软件、验证、调查、写作 - 原稿撰写。
Shunsheng Guo：软件、可视化。
Xin Zhang：写作 - 审稿、资金获取、概念化、写作 - 审稿。
Yibing Li：资源、项目管理、正式分析、写作 - 审稿与编辑、调查、监督。