基于多轴向光纤布拉格光栅振动传感与深度学习的旋转机械轴承故障诊断

《Engineering Applications of Artificial Intelligence》：Bearing fault diagnosis for rotating machinery using multi-axial fiber Bragg grating vibration sensing and deep learning

　　

## 摘要

滚动轴承是旋转机械中的关键部件，对其进行故障诊断有助于降低维护成本，同时确保整个系统的可靠运行。针对传统电学振动传感器存在的局限性——包括易受电磁干扰、体积大以及在紧凑的机电设备中难以实现多轴监测等问题——本文提出了一种基于微型三轴光纤光栅（FBG）传感器的振动传感方案。为应对长期监测数据存储与计算方面的挑战，同时提升诊断的准确性与效率，本文提出了稀疏傅里叶变换与轴融合Mamba（SFT-AFM）网络。SFT模块通过Top-K稀疏谱选择与滑动窗口处理，将高频振动信号压缩为三通道频-时热力图，保留了显著的与故障相关的谱分量。AFM模型采用轴融合机制捕获样本自适应的轴间特征相关性，利用轻量级Mamba主干网络以线性复杂度捕获长程时空依赖关系，并引入实例-批量归一化（IBN-A）残差块以提高跨条件稳定性，从而支持故障特征提取与分类。实验采用三轴FBG与三轴压电传感器采集的轴承振动数据集进行，该数据集包含七种轴承状态、五种转速（500至2500 rpm）以及两个载荷水平（0和1 N?m）。在-6 dB加性白高斯噪声条件下，SFT-AFM取得了84.18%的分类准确率，优于最强基线Attention模型（73.98%）。AFM模型仅含0.15 M参数，在FP32格式下占用0.58 MB。上述结果表明，SFT-AFM在紧凑的参数与存储占用和优异的诊断性能之间实现了良好平衡，即使在严重噪声条件下也能保持出色的表现。

## 引言

旋转机械广泛应用于航空航天、轨道交通和风力发电等关键设备中（Oliveira et al., 2025, Zhao et al., 2022）。其健康状态直接影响整个系统的运行安全边界与全生命周期维护成本（Su et al., 2026, Li et al., 2026）。作为旋转传动链中的核心部件之一，滚动元件轴承在长期暴露于高速、重载以及叠加交变应力的复杂工况下运行，这使其具有较高的失效风险和较强的隐蔽性（Bao et al., 2026）。轴承早期损伤通常会引起周期性冲击和调制效应（Z. Wang et al., 2025）。若未能及时识别，这些故障可能升级为轴系失稳、结构损坏甚至级联停机事故，造成经济损失与安全威胁（Li et al., 2024, He et al., 2025）。因此，开发针对复杂工况下准确、稳定且实时的轴承故障诊断方法具有重要的工程意义（Chen et al., 2025）。

当前轴承故障诊断通常利用电机电流、声发射、转速和振动等信号（Dolenc et al., 2016, Borghesani et al., 2022）。其中，振动信号对冲击和谐波分量最为敏感，是早期故障识别与预警的有效载体（Puntambekar et al., 2025）。然而，传统的压电或电容式振动传感器在实际工程应用中仍面临多重限制：它们需要较大的体积和安装空间，且信号在长距离传输中容易衰减（Alian et al., 2019）。在强电磁干扰环境中，信号质量和同步采集的可靠性会下降。此外，同步多轴测量通常需要多个传感器和复杂的布线，难以适应空间受限的机电系统（Guo et al., 2021）。光纤光栅（FBG）传感器具有抗电磁干扰、耐腐蚀、易于复用以及低损耗长距离传输等优势，在复杂环境的振动监测中展现出广阔的应用前景（Lu et al., 2021, Bachar et al., 2022）。然而，现有大多数FBG振动传感器主要为单轴或双轴设计（Song et al., 2021, Song et al., 2023, Li et al., 2020），且普遍存在体积和质量较大、安装集成受限以及多轴耦合与校准复杂等问题，限制了其在紧凑机电系统中进行同步多轴监测的应用（K. Li et al., 2025）。为应对上述挑战，本文采用了一种此前开发完成的微型三轴FBG振动传感器作为传感单元（Tang et al., 2024）。该传感器为紧凑空间场景提供了三轴同步振动采集能力，为后续基于多轴信息融合的诊断奠定了数据基础（Zhu et al., 2022, Zhu et al., 2025）。

在算法层面，机器学习和深度学习推动了智能轴承故障诊断的进步（Zhang et al., 2021）。支持向量机（SVM）、人工神经网络（ANN）和K近邻（KNN）等传统方法在特定场景中仍保有一定优势（Ke et al., 2024, Hakim et al., 2023, Brusamarello et al., 2022, Shifat and Hur, 2021）。然而，它们通常严重依赖人工特征工程和先验知识，在表征复杂场景（包括复合故障、多源耦合信号和长程时序相关性）方面的能力有限，难以在大规模和多变工况数据中保持稳定性能（Kumar and Upadhyaya, 2023）。

深度学习方法能够从原始数据中自动学习层次化抽象特征，提高故障诊断模型的特征表示能力和环境适应性（Chen et al., 2022）。目前，一种主要技术方案是将振动信号转换为时频图像，再利用深度学习模型进行识别（Wang et al., 2025a）。Yuan等人（2018）采用Hilbert-Huang变换（HHT）提取时频能量图像作为CNN输入，实现了对配电系统中多种故障的识别。Zhang等人使用短时傅里叶变换（STFT）将振动信号转换为时频图像，并通过卷积神经网络（CNN）进行端到端特征学习与分类，在Case Western Reserve University（CWRU）和Mechanical Failures Prevention Technology Association（MFPT）的轴承数据集上的实验表明，所提方法分别达到了100%和99.96%的故障识别准确率（Zhang and Deng, 2023）。利用局部感受野与权重共享机制，CNN在从振动信号和时频图像中提取局部冲击特征方面十分有效，但其标准架构在捕获超长期时序依赖关系方面存在局限。为解决齿轮箱中数据不平衡问题，Wang等人使用小波变换将振动信号转换为图像，并改进深度残差网络，实现了对单一和并发故障的准确诊断（Wang et al., 2024）。为增强全局建模能力，Zhang等人（2024）提出将连续小波变换、格拉姆角场和格拉姆角差场融合形成信息融合图像（IFI），并引入Vision Transformer进行迁移学习，以提高诊断稳定性。然而，尽管Vision Transformer（ViT）通过自注意力机制具备强大的全局建模能力（Ji and Zhao, 2024），但其计算复杂度随序列长度呈二次增长，且在捕获细粒度局部冲击特征方面仍不如CNN高效。综上所述，现有深度学习模型普遍面临结构复杂和参数量大等共同挑战。在处理海量振动数据时，它们会产生大量计算和存储开销，且推理速度较慢，难以满足工业实时诊断需求。因此，探索高效轻量级网络架构已成为突破诊断系统性能瓶颈的关键研究方向。

轴承运行环境复杂多变，通常涉及多种振动激励源与复合故障的耦合干扰（Yang et al., 2022）。现有大多数研究依赖单通道振动信号，不足以全面准确地表征故障信息。因此，多通道信息融合技术已成为提升诊断性能的关键途径。Guo等人（2024）提出了一种基于多尺度循环频率解调的特征融合框架，通过融合多传感器信息有效提取故障特征，实现了齿轮箱系统的高效智能诊断。Yan等人（2023）对多振动传感器数据进行了信息融合，提出了一种基于多变量特征模态分解和多注意力融合残差卷积神经网络的故障诊断方法，实现了对风力发电机组轴承故障的自动识别。为在提取故障特征的同时抑制噪声干扰，Xiaochi等人（2025）引入了一种基于多通道振动信息加权融合的轴承故障特征提取方法，提高了航空发动机轴承复杂信号的处理效率与诊断准确性。为应对现有多传感器融合故障诊断方法所需训练样本量大、计算成本高以及泛化能力弱的问题，Wang等人（2025b）提出了一种多模态多尺度多层融合象限熵模型（MMMFQE）用于机械故障诊断。在两个工业数据集上的实验结果表明，该模型在每个工况下仅需5个训练样本，分别达到了100%和99.46%的诊断准确率，展示了其在少样本场景下的高精度优势。Bai等人（2021）提出了一种基于多通道CNN和多尺度裁剪-合并数据增强的滚动轴承故障诊断方法。该方法首先对多个振动传感器采集的数据进行多尺度裁剪-合并增强，然后使用STFT将信号转换为时频图像，最后通过多通道CNN融合多传感器图像信息，从而提升整体分类性能。现有大多数多通道方法采用信号级拼接、特征级融合或基于注意力的加权等策略。然而，在变转速和强噪声条件下，这些方法可能仍存在融合效率不足、跨通道依赖建模不充分以及跨条件泛化能力有限等问题。对于同步三轴振动数据，需要一种高效融合架构，在捕获轴间特征依赖的同时平衡局部细节感知与全局依赖建模。此类架构有助于满足诊断准确性、稳定性与实时性能的综合需求。

综上所述，针对传统电学振动传感器在强电磁干扰和空间受限环境下进行同步多轴监测的固有局限，以及现有诊断模型中计算效率、诊断准确性与工业实时性能协同优化的挑战，本文提出了一种将微型三轴FBG振动传感方案与稀疏傅里叶变换-轴融合Mamba（SFT-AFM）网络相结合的轴承故障诊断框架。通过轻量级架构设计，该框架融合了局部细节感知、全局上下文建模和多源振动信息融合。本文其余部分组织如下：第2节介绍微型三轴FBG传感器工作原理、实验数据集构建及相关理论基础；第3节详细阐述所提SFT-AFM方法的整体架构与核心模块设计；第4节基于旋转机械轴承实验数据，考察热力图分辨率和滑动窗口参数等因素对模型性能的影响，并呈现消融实验、噪声干扰与变转速条件下多模型对比以及故障分类结果；第5节总结全文并对未来工作进行展望。

## 章节摘要

### 微型三轴FBG振动传感器

三轴FBG振动传感器由基座壳体、盖板、弹性元件、质量块和FBG传感器组成，其整体构型如图1所示。为实现微型化与高集成度，采用了模块化正交设计与两点粘接技术。当传感器沿三个坐标轴（x、y或z）中的任意一个受到振动激励时，相应的弹性元件因惯性力产生往复变形。这……

### 网络概述

为应对轴承高频FBG振动信号带来的存储与计算负担，同时捕获三轴振动表征中样本自适应的轴间特征相关性以实现鲁棒的故障诊断，本文提出了一种端到端框架：稀疏傅里叶变换编码与轴融合Mamba网络（SFT-AFM）。该框架的完整工作流程如算法1所示，由两个核心模块组成：稀疏傅里叶变换编码……

### 实现细节

所有实验均在8块NVIDIA A100 GPU集群上完成（每块40 GB显存）。为平衡训练效率与模型精度，训练100个epoch，批大小为256。采用AdamW优化器（初始学习率1×10?3，β?=0.9，β?=0.999，权重衰减1×10??），结合余弦退火学习率调度策略，损失函数为交叉熵损失。为系统评估SFT-AFM框架的有效性与鲁棒性，我们设计了6个消融……

### 结论

为解决传统电学振动传感器在电磁干扰和空间受限环境中的局限性，本研究将微型三轴FBG振动传感器与SFT-AFM诊断网络相结合。

SFT模块将高频时间序列信号压缩为稀疏的频-时热力图，而AxisFusion、LightMamba和IBN-A分别对轴间相关性、频-时上下文以及条件相关的统计变化进行建模。实验CRediT作者贡献声明Kun Li（李坤）：撰写——审阅与编辑，撰写——初稿，软件，资源，方法论，形式分析，数据整理。Zhen Wang（王震）：撰写——初稿，验证，指导，软件，方法论，形式分析，数据整理。Mingli Dong（董明利）：撰写——审阅与编辑，可视化，指导，项目管理，基金获取，形式分析，概念构思。Yanmin Song（宋炎敏）：可视化，资源，项目管理，调查，数据整理。利益冲突声明：作者声明，他们不存在任何已知的可能影响本文所报告工作的竞争性经济利益或个人关系。致谢：本研究部分得到北京市自然科学基金研究项目（BJXZ2021-012-00046, 9072423217）、国家自然科学基金（52375524, 52275517）以及北京市自然科学基金与北京教育委员会研究项目（KZ201911232044）的资助。Kun Li（李坤）于2022年获得北京信息科技大学（BISTU）机电工程学院硕士学位，并于2026年获得该校仪器科学与光电工程学院博士学位。目前，他就职于中机科（北京）车辆测试工程研究院有限公司，从事测试技术的研发工作。其研究方向集中于光纤传感设备与系统以及智能Kun Li（李坤）|Zhen Wang（王震）|Mingli Dong（董明利）|Yanmin Song（宋炎敏）|Xiaoping Lou（楼晓平）|Lianqing Zhu（朱联清）中机科（北京）车辆测试工程研究院有限公司，北京 102100，中国