任务分解黎曼神经算子用于跨异构运行工况的轴承故障诊断

《IEEE Reliability Magazine》：Task-Factorized Riemannian Neural Operator for Bearing Fault Diagnosis Across Heterogeneous Operational Shifts

　　轴承在同时存在工况和设备偏移时的诊断是困难的，因为故障特征、负载依赖的响应以及传感器/平台效应相互纠缠。我们提出了TF-RiNO，一个任务分解的黎曼神经网络算子框架，用于跨速度、跨负载和跨设备的轴承诊断。其主干是一个有限维的一维傅里叶算子网络：低时间模式通过学习的复数通道映射进行转换，而局部卷积分支保留瞬态内容。因此，我们在此架构意义上使用“神经算子”，并不声称对底层偏微分方程解算子进行离散化收敛近似。条件感知特征被提升到SPD×Grassmann乘积表示，结合二阶统计量与基不变主导子空间信息。任务分解头将故障共享嵌入与任务相关的干扰嵌入分离；正交项作为去相关替代而非可识别解缠的证明。在CWRU和HUST数据集上的五次运行中，TF-RiNO取得了强大的跨速度和跨负载结果，并在HUST的跨设备任务上改进了最强报告基线。采用Holm校正的Welch检验支持0-W和200-W设备迁移任务的提升（调整后p值为0.0063和0.0196），而三个跨负载提升中的两个在统计上不显著。采用块不相交、源选择的重新运行在简单和困难设备迁移上分别达到0.872±0.036和0.632±0.055的准确率。嵌入可视化进一步显示，200-W设备偏移降低了类分离并增加了类条件域差异，外圈故障形成主要失效模式。