一种面向少样本场景下轴承故障诊断的知识驱动多尺度特征提取孪生神经网络

《Neurocomputing》：A knowledge-informed multi-scale feature extraction siamese neural network for bearing fault diagnosis in few-shot scenarios

　　

摘要 针对工业轴承故障诊断中标注样本稀缺的挑战，本文提出一种基于知识驱动的双面神经网络（Siamese Neural Network, SNN）的小样本方法。SNN的核心架构采用参数共享的混合网络，集成双通道卷积神经网络（Dual-Channel CNN, DCCNN）与双向长短期记忆网络（Bidirectional Long Short-Term Memory, BiLSTM），分别用于捕获空间特征与时间特征。DCCNN采用两条并行路径：一条路径使用大尺寸卷积核以在宏观层面捕捉波形轮廓，另一条路径使用小尺寸卷积核以在微观层面识别瞬态效应。为缓解低数据量条件下的过拟合问题并赋予特征以物理意义，一个辅助分支提取八个专家定义的时间域指标（如峰值和均方根值）作为辅助重建目标。通过联合优化对比损失与知识驱动损失，DCCNN-BiLSTM模型能够有效提取与先验物理知识一致的特征。与基于SNN的其他变体模型相比，所提模型在凯斯西保留大学（Case Western Reserve University, CWRU）轴承数据集上的诊断准确率显著提升。在仅有300个样本的数据稀缺条件下，该模型实现了96.25%的单样本诊断准确率和98.38%的五样本诊断准确率。实验结果表明，所提诊断框架显著提高了复杂环境中智能诊断系统的可靠性与可解释性。

引言 作为旋转机械中最脆弱的关键部件，滚动轴承长期承受高温、重载及复杂波动工况等恶劣运行条件；轴承故障占所有机械故障的45%至70%[1]。一旦轴承发生故障，可能引发严重的停机事故并造成巨大的经济损失。因此，有效且准确的轴承故障诊断对于实施预测性维护及保障工业机械的运行稳定性至关重要[2]、[3]、[4]。

传统轴承故障诊断方法通常依赖信号处理技术并结合专家经验[5]、[6]、[7]、[8]、[9]。然而，在面对复杂工况、多重重叠故障及早期微弱故障信号时，这些方法往往难以准确捕捉故障特征，导致诊断精度与鲁棒性有限。近年来，随着人工智能技术的快速发展，数据驱动的深度学习模型凭借其强大的特征学习与模式识别能力，在各领域取得了显著进展[10]、[11]。例如，卷积神经网络（CNN）[12]、[13]、[14]、[15]、循环神经网络（RNN）[16]以及长短期记忆（LSTM）变体[17]、[18]、[19]、[20]已被广泛应用于从原始振动信号中自动提取故障特征并实现端到端故障分类。近期的AI驱动工业检测研究也强调了多尺度特征融合、注意力增强表征学习以及复杂设备监测场景下的鲁棒自动化感知[21]、[22]。

上述数据驱动模型在拥有大量标注数据时能够满足性能要求。然而，在实际工业应用中，获取故障样本往往极其困难且成本高昂，导致可用的故障数据量极为有限[23]、[24]。如何在小样本场景下实现高精度、鲁棒的故障诊断，已成为机械故障诊断领域亟需解决的关键挑战。近期研究也关注了有限且有噪声的轴承标注数据问题[25]、[26]、[27]、[28]、[29]。近年来，研究人员探索了各种小样本策略，包括数据增强[30]、[31]、[32]、迁移学习[33]、元学习[34]以及度量学习[27]、[35]、[36]、[37]、[38]、[39]。其中，双面神经网络（SNN）作为一种重要的度量学习架构，通过学习样本间的相似度度量将分类任务转化为相似度判别任务。当面对少量已知类别样本时，SNN通过判断新样本与已知样本之间的相似度来实现故障分类[40]、[41]、[42]。例如，Li等人[42]使用融合通道注意力机制的UNet模型作为SNN的特征提取器来执行故障诊断任务，显著提高了诊断精度。尽管如此，现有的SNN架构仍然难以充分捕捉振动信号中的多尺度时空特征与长期依赖关系，这削弱了其在多样化工业场景中维持高诊断可靠性的能力。

此外，目前大多数基于SNN的故障诊断方法通常是纯粹数据驱动的，缺乏对故障底层物理机制的深度融合。因此，将物理先验知识整合到深度学习模型中已成为提升模型性能与可解释性的关键方向[43]、[44]、[45]、[46]、[47]。特别是在数据稀缺的工业应用中，物理引导方法可以有效约束模型训练过程、抑制过拟合并增强模型鲁棒性。Gao等人[45]提出了一种多尺度物理信息网络，通过为特定故障模式设计"物理信息块"将物理先验知识编码到训练过程中，显著增强了模型在小样本场景下提取多尺度故障特征的能力。然而，这些物理引导的数据驱动方法通常需要开发针对特定故障类别的精确物理模型。这种对特定故障机制的强依赖性限制了此类框架在具有多样化故障模式的复杂工业环境中的适用性。

鉴于现有基于SNN的轴承故障诊断方法的局限性，本文提出一种知识驱动的多尺度特征提取SNN诊断架构，以应对小样本场景下的轴承故障诊断挑战。本研究的动机有三方面：首先，在实际工业场景中，标注故障样本往往稀缺，导致传统深度学习模型容易过拟合；其次，振动信号同时包含局部瞬态冲击与长期时间依赖，单一尺度或纯卷积特征提取器难以完全捕捉；第三，大多数现有小样本诊断模型主要是数据驱动的，未充分纳入反映轴承退化特性的先验物理知识。因此，本研究旨在构建一个知识驱动的小样本诊断框架，能够协同增强判别性特征学习、物理一致性与诊断鲁棒性。该诊断架构的核心采用参数共享的混合网络，集成DCCNN与BiLSTM，分别用于捕获空间特征与时间特征。通过融合SNN在小样本相似度判别方面的优势、多尺度时空特征提取能力以及物理先验知识的指导，我们构建了一个高效且鲁棒的诊断模型。本文的主要贡献总结如下：

(1) 设计了一种创新的DCCNN-BiLSTM-SNN模型架构，基于度量学习将轴承故障诊断任务转化为相似度判别问题，即使在样本数量有限的情况下也能实现有效的故障识别。

(2) 设计了一种DCCNN-BiLSTM特征提取网络，其中采用参数共享的DCCNN捕捉振动信号的宏观波形轮廓与微观瞬态冲击，随后通过BiLSTM网络进一步提取深层时序特征，从而实现多尺度时空特征的深度集成。

(3) 建立了一个知识驱动的辅助任务，其中DCCNN-BiLSTM模块通过专门分支重建专家定义的物理指标以生成知识驱动损失；分类损失与知识驱动损失的联合优化约束了特征学习过程，迫使DCCNN-BiLSTM在抑制小样本条件下过拟合的同时学习物理一致的表征。

本文其余部分组织如下：第2节详细阐述所提模型架构及知识驱动多尺度特征提取SNN的理论基础；第3节介绍实验设置，包括数据集、评估指标与基线模型，并全面呈现与分析实验结果，涵盖对比研究与消融分析；第4节总结本文工作并展望未来研究方向。

所提方法框架 本文提出了一种新颖的轴承故障诊断方法。该方法将领域专家知识与数据驱动方法相融合，如图1所示。该方法由三个主要组件构成。

(1) 通过构建基于SNN的诊断架构，将传统单样本分类任务转化为基于度量学习的相似度判别任务。模型通过构建"同类样本对"与"异类样本对"来……

数据集描述与实验设置 本研究使用凯斯西保留大学（CWRU）数据集[51]作为评估数据集来验证所提模型的性能。主要轴承参数如表2所示。

该实验数据集由CWRU轴承数据中心提供，包含从配备电机、功率计和控制电子元件的测试台收集的振动数据。本研究采用SKF 6205-2RS（驱动端）和SKF 6203-2RS（风扇端）深沟球轴承。

结论 本文提出了一种用于轴承故障诊断的知识驱动多尺度特征提取SNN。该框架通过将数据驱动的特征提取与先验物理知识相结合，解决了标注样本稀缺的挑战。为提取时空特征，模型利用参数共享的DCCNN，通过大尺寸和小尺寸卷积核分别捕捉宏观波形轮廓与微观瞬态冲击，随后使用BiLSTM网络提取……

作者贡献声明 CRediT：Wan Xiongbo：原创手稿撰写、监督、形式化分析。Zixu Wang：原创手稿撰写、方法论、调查研究。Weijie Kang：手稿审阅与编辑、验证、方法论。Guodong Duan：验证、软件、方法论。Yadong Zhao：验证、方法论、调查研究。Wenkai Hu：监督、形式化分析。

利益冲突声明 作者声明不存在可能影响本文所报告工作的已知的财务利益冲突或个人关系。

致谢 本研究受国家自然科学基金（批准号62473346和72401292）、中国陕西省科学技术协会青年人才基金（批准号2025019）、湖北省技术创新项目重点计划（批准号2023BAB080）以及111计划（批准号B17040）资助。

Wan Xiongbo于2006年获得中国武汉华中农业大学信息与计算科学学士学位，2008年和2011年分别在中国武汉华中科技大学获得概率论与数理统计硕士学位和控制科学与工程博士学位。2012年12月至2013年6月，他作为访问学者在日本秋田县立大学工作。2011年7月至2014年12月，Wan Xiongbo、Zixu Wang、Weijie Kang、Guodong Duan、Yadong Zhao、Wenkai Hu 中国地质大学（武汉）人工智能与自动化学院，中国武汉430074。