《Electronics》：Design of a Lightning Signal Acquisition Card for Wind Power Generation
编辑推荐：
本研究提出一种仅基于健康态样本的轴承故障检测框架，其中堆叠长短期记忆(LSTM)预测器通过多步预测学习正常振动动态，预测序列与观测振动序列之间的偏差用于基于残差的异常检测。方法学贡献在于以受控的分阶段方式开发完整的从预测到决策的流水线，包括时序配置、预测器选择
本研究提出一种仅基于健康态样本的轴承故障检测框架，其中堆叠长短期记忆(LSTM)预测器通过多步预测学习正常振动动态，预测序列与观测振动序列之间的偏差用于基于残差的异常检测。方法学贡献在于以受控的分阶段方式开发完整的从预测到决策的流水线，包括时序配置、预测器选择、残差评分与决策阈值校准，并在框架开发与最终评估之间保持严格的轴承级数据分离。框架在Paderborn轴承数据集上评估，使用独立健康轴承进行训练、验证、校准与测试，使用人工损伤轴承进行检测器开发，使用此前未见的真实损伤轴承进行最终故障评估。最终检测器达到ROC–AUC为0.8385、PR–AUC为0.9200，健康态假阳性率为0.13%，精确率为0.9971；但在所选操作阈值下召回率仅为22.57%，表明强异常分数区分能力未转化为同等高的故障灵敏度。性能在独立模型初始化间保持一致，而对完全保留健康轴承的评估产生17.95%假阳性率，凸显阈值校准与健康域泛化是当前框架的主要局限。
研究背景与动机
滚动轴承是旋转机械的关键部件，基于振动的监测因故障会在采集信号中产生可测量变化而被广泛采用。传统诊断依赖时域、频域或时频域表征，深度学习方法可直接从振动数据学习诊断特征，但多数工作仍基于预定义故障类别的监督分类，需标注故障样本，在实测监测中标签有限且工况或数据分布变化时鲁棒性下降。仅健康态正常行为建模提供替代方案：从健康观测学习系统动态，将偏差视为潜在异常。LSTM适合该场景，可捕捉时序依赖并通过预测或重构误差识别异常序列；基于残差的方法同样以观测与期望行为之偏差作为异常证据。完整基于预测的探测器不仅需要时序预测，还需残差异常评分与决策阈值校准。可靠评估要求在框架开发与最终评估间严格分离，高度重叠滑动窗口若跨开发集与测试集划分会带来信息泄漏，轴承级分离尤为重要。尽管预测式异常检测有进展，完整探测器仍受时序上下文、预测视野、预测架构、残差评分与阈值校准等交互选择影响，这些组件常被孤立考虑。本研究不引入新循环架构，而是通过受控顺序流程开发并评估完整的仅健康态预测到决策流水线，并为最终泛化评估保留独立轴承。
论文发表于《Electronics》，研究提出以堆叠LSTM多步预测与残差异常检测为核心的仅健康态轴承故障检测框架，在Paderborn数据集上以轴承级隔离协议开发，最终在未见真实损伤轴承上取得ROC–AUC 0.8385、PR–AUC 0.9200，健康测试轴承K005假阳性率0.13%、精确率0.9971，但操作阈值下召回率22.57%；保留健康轴承K006假阳性率达17.95%，揭示阈值校准与健康域泛化局限。该研究意义在于证明分阶段固定组件的开发流水线可透明复现，且异常分数区分力强并不自动等价于高故障灵敏度，为后续自适应阈值与广域健康建模指明方向。
主要关键技术方法
研究人员采用Paderborn大学轴承数据集，含6个健康轴承(K001–K006)、2个人工损伤轴承(KI01、KA01)与2个真实损伤轴承(KI04、KA04)，每轴承4种工况各20条记录。预处理仅以K001–K002健康训练集估计全局均值标准差做标准化。滑动窗口输入长度L=256样本、直接多步预测视野H=16样本，训练步幅128、验证评估步幅256。预测器为两层堆叠单向LSTM(每层64隐单元)加全连接输出多步序列，以MSE损失、Adam优化训练。残差以预测与实测未来序列的MAE(mean absolute error)聚为标量异常分。阈值校准在健康校准轴承K004估参数、以K003验健康假阳性率，选全局MAD(median absolute deviation)系数k=3.5为最保守配置。开发阶段各消融实验在1万窗训练、5千窗验证预算内选配，最终评估用未封顶数据。对比基线PatchTST与iTransformer在同一预测-残差协议下替换预测器。
研究结果
3.1 总体框架：研究人员将检测公式化为健康行为预测问题，按顺序固定输入长度、预测视野、架构、评分、阈值五组件，轴承级分配使K001–K002训练、K003验证、K004校准、K005健康测试、K006全程保留、KI01/KA01人工伤开发、KI04/KA04真实伤终评，防止终评轴承影响任何开发环节。
3.2 数据集与准备：经轴承级分配后再生成窗口，最终L=256、H=16配置下全量得961100监督窗口；开发期训练窗限1万、验证校准人工伤限5千，终评用未封顶集。
3.3 堆叠LSTM预测模型：两堆叠单向LSTM层(64隐单元)接全连接直接输出H=16未来振动幅值，公式化表示为?t+1:t+H=fθ(xt-L+1:t)。
3.4 基于残差的故障检测：残差向量rt=yt+1:t+H??t+1:t+H，异常分st=MAE(rt)=1/H·Σ|rt,k|，二值决策以固定阈值τ比较。
3.5 顺序框架开发策略：按依赖序做四组消融(输入长、预测视野、架构、残差评分)加阈值阶段，每阶段前三初始化重复，以验证RMSE为主选据，小差异保守解释。
3.6 评估与实现：指标含精确率、召回率、F1、FPR、特异度及ROC–AUC、PR–AUC；PyTorch实现，学习率1e-4，批256，最多12轮，早停patience=3，梯度裁截范数1.0。
4.1 输入长度选256优于128(均RMSE 1.0911对1.0998，变异更小)。
4.2 预测视野H=16优于H=32(均RMSE 1.1087对1.1131)，直接多步下稍短视野更稳。
4.3 堆叠LSTM优于BiLSTM(均RMSE 1.1033对1.1101，MAE 0.5776对0.5913)。
4.4 残差评分MAE在排序与分类指标上均最优被选。
4.5 阈值族比对中全局MAD(k=3.5)在K003健康验证FPR最低(0.1506)，无配置达5%目标FPR，按回退准则选定。
4.6 终评K005+KI04+KA04：精确率0.9971，K005 FPR 0.13%、特异度0.9987；ROC–AUC 0.8385、PR–AUC 0.9200；召回0.2257、F1 0.3681。混淆矩阵示80116健康窗仅104误报，160087故障窗检出36137。各工况健康FPR<0.23%，故障召回6.57%–29.21%间波动。
4.7 三随机初始化复现：F1 0.3639–0.3674，精确率>0.997，健康FPR~0.12%，AUC波动极小。
4.8 保留健康轴承K006：均异常分0.6476(高于K004/K005)，FPR 17.95%，四工况15.81%–20.12%，分布右移长尾，信号RMS与标准差也更高，证健康域偏移致固定阈值退化。
4.9 对比PatchTST/iTransformer：堆叠LSTM ROC–AUC 0.8393、PR–AUC 0.9204、精确率0.9973、健康FPR 0.122%最优；iTransformer召回最高0.2480但AUC略低且健康FPR更高；三者整体可比无统计优劣。
讨论与结论翻译
结论部分指出，本研究提出基于多步堆叠LSTM预测与残差异常检测的仅健康态轴承故障检测框架，以受控顺序流程开发完整预测到决策流水线，轴承级分离保障终评轴承未见。终评在未见健康与真实损伤轴承上ROC–AUC 0.8385、PR–AUC 0.9200、健康FPR 0.13%，但操作阈值召回仅22.57%，表明保守全局阈值压制误报牺牲故障灵敏度。与PatchTST、iTransformer在同协议下性能可比。三初始化一致(F1均0.3661±0.0019)。工况影响故障可检性。保留健康轴承K006 FPR 17.95%对照K005 0.13%，揭示全局校准阈值对未见健康域变异敏感。研究发现异常分数区分力与阈值后检测决策并非等同，低召回说明保守阈值未充分利用分离度，而保留轴承实验表明单纯降价阈值提灵敏感度会在健康分布偏移时增误报。未来应研自适应或工况感知阈值、扩健康轴承与工况覆盖、增跑至失效与工业数据验证、引时序持续性或记录级决策替代单窗独立判断。总体而言，顺序开发流水线为仅健康态轴承检测提供透明可复现框架，并将阈值校准与健康域偏移列为关键后续方向。
