基于渐进式跨模型蒸馏与异构协同分类器的小样本轴承故障诊断
《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》:Progressive Cross-Model distillation with heterogeneous synergistic classifier for Few-Shot bearing fault diagnosis
【字体:
大
中
小
】
时间:2026年09月21日
来源:MECHANICAL SYSTEMS AND SIGNAL PROCESSING 10.2
编辑推荐:
- 模型响应模式从振动模态迁移至电流模态。
- 设计了一种异构协同分类器用于小样本分类。
- 建立了一种逆不确定性平衡融合机制以支持决策。
- 多目标联合优化提升了目标模型的诊断精度。
- 在两个真实轴承数据集上验证了卓越的跨条件泛化能力。
引言
轴承是机电设备中的易损部
- 模型响应模式从振动模态迁移至电流模态。
- 设计了一种异构协同分类器用于小样本分类。
- 建立了一种逆不确定性平衡融合机制以支持决策。
- 多目标联合优化提升了目标模型的诊断精度。
- 在两个真实轴承数据集上验证了卓越的跨条件泛化能力。
引言
轴承是机电设备中的易损部件,其故障风险在持续运行过程中显著上升[1]。有效的轴承故障诊断能够实现故障的及时消除,是预防安全事故、保障系统可靠性的关键措施。
基于振动的监测是轴承状态监测与故障诊断的传统方法之一[2],已在工业故障诊断中得到广泛且深入的应用。然而,在工业现场获取振动信号不可避免会受到振动传感器安装条件的限制;例如,破坏性安装(如钻孔)或磁吸固定难以维持长期稳定的监测[3]。因此,开发独立于振动信号的替代故障诊断方法至关重要,例如基于电流[4]、扭矩[5]、声信号[6]等的分析方法。在这些方法中,电流信号已被应用于机电系统。由于电机电流信号更易采集且成本更低,基于电流的诊断方法与基于振动的方法相比具有明显优势。
尽管具有这些优势,电流信号存在一个显著缺点:故障特征较弱。这是因为电机的外部故障并不直接影响电流,而是通过扭矩变化对电流信号产生间接影响。传统的基于电流的故障诊断方法通常从电流信号中提取特征,并使用机器学习或深度学习算法训练诊断模型以实现故障识别。然而,此类方法的一个关键前提是能够获得大量标注样本,而在工程实践中,样本标注往往是一个耗时且资源密集的过程。
为减少对有标签数据的依赖,小样本学习方法已被引入故障诊断领域。例如,元学习[7]、原型网络[8]、关系网络[9]等小样本技术已被应用于轴承故障诊断。然而,这些方法基于振动信号,如果直接应用于电流信号,则难以有效诊断电机的外部故障。这一局限性很可能源于电流信号中的故障特征比振动信号更弱,导致小样本学习方法无法提取足够的判别信息以实现准确诊断。
为提高单模态诊断的精度,多模态融合策略已被提出。例如,Zhang等人[10]通过微分局部均值分解对振动和电流信号进行分解,使用峰度加权进行融合,并通过Hilbert包络谱分析获得故障频率。为进一步应对复杂且多变的工作条件,其他研究提出了多模态跨域诊断方法。Zhong等人[11]通过子网络提取深度信号特征,并通过核心网络融合振动和电流特征,以实现变工况下的轴承故障诊断。Zhou等人[12]融合振动和电流特征,并使用最大均值差异减少域分布偏差。然而,这些跨域方法通常假设源域和目标域数据可以同时获取以进行知识迁移,而在实际工业场景中,由于隐私保护、存储限制或计算负担,有时难以满足这一条件,融合源域和目标域的输入是不可行的。因此,仅使用目标域数据来适应目标模型的无源域自适应方法[13]具有更大的实用价值,同时也带来了更大的挑战。
尽管现有方法在诊断任务中表现良好,但仍存在两个局限性。一方面,传统的多模态跨域诊断方法依赖于振动和电流数据的同步采集。然而,在工业现场往往难以实现两种模态的同时采集,这限制了这些方法的工程适用性[14]。另一方面,大多数现有小样本诊断算法是为振动信号设计的,它们无法适应电流信号中的弱故障特征,导致在电流模态任务上的诊断性能不佳。基于这些瓶颈,本文提出了一种独特的研究动机。我们用更易获得的基于电流的监测方案替代基于振地的监测方案,以避免振动传感器在实际工业生产中的安装和部署限制[15]。具体而言,在实验室或工厂调试期间,部署振动传感器以在各种工作条件下采集振动数据,训练高性能源模型。此阶段具有充足的测试条件,不受现场部署限制。在设备交付至工业现场进行长期运行后,目标模型的部署和适应均仅使用电流信号完成。这一策略充分利用了电流信号的优点,包括易于采集和适合长期现场监测。它保留了振动模态的诊断知识,并利用电流模态的部署优势,满足无源约束,符合真实工业应用场景。
针对无源域自适应、弱故障特征和有限故障样本等问题,本文提出了PCMD-HSC用于小样本跨条件轴承故障诊断,实现高精度的跨条件诊断。PCMD-HSC在真实轴承数据集和转向架数据集上的平均准确率均超过95%,展现了卓越的诊断性能。本文的主要贡献总结如下:
(1)提出了一种渐进跨模型蒸馏方法。该方法以在振动数据上训练的源模型作为知识提供者。源模型引导目标模型从中间层和输出层蒸馏电流特征,以响应模式的形式将诊断知识逐层迁移至电流模态。结合多目标损失函数对目标模型进行联合优化,进一步提升了电流模态下的诊断精度。
(2)开发了一种异构协同分类器作为可学习的分类架构,并引入了逆不确定性平衡融合机制以支持协同决策。该方法解决了传统单分类器在小样本条件下性能下降的问题,从而提高了目标模型的泛化能力和噪声鲁棒性,实现了有效的小样本轴承故障诊断。
(3)使用包含真实轴承损伤和转向架轴承损伤的数据集验证了所提方法的有效性和可靠性。实验结果表明,通过渐进跨模型蒸馏和多目标联合优化,目标模型能够迅速适应不同工作条件下电流信号的分布变化。所提的PCMD-HSC在变化的转速和负载下仍保持较高的诊断精度。
本文其余部分结构如下:第2节介绍相关工作。第3节描述所提方法的细节。第4节通过实验评估方法的有效性。第5节进行进一步讨论和深入分析。最后,第6节总结全文并提供对未来工作的展望。
章节片段
知识蒸馏
知识蒸馏(KD)是一种用于模型压缩和知识迁移的方法。其核心思想是通过引导轻量级目标模型模仿一个高性能且结构更复杂的源模型,在不改变目标模型结构的情况下提升其性能。
基于响应的知识蒸馏[16]是最经典的知识蒸馏范式。该算法直接提取源模型分类器最后一个全连接层的输出(logits)。在获得模型
方法概述
本文所提方法的整体工作流程包含三个阶段,如图3所示。
在数据处理阶段,使用短时傅里叶变换(STFT)[28]将一维振动时间序列信号转换为二维振动时频图像。类似地,一维电流时间序列信号经过陷波滤波器和STFT处理,生成二维电流时频图像,并进一步划分为小样本数据集。
实验研究
本节采用两个包含多模态数据的轴承数据集来验证所提方法的有效性。此外,引入了多种最先进的对比方法以验证所提方法的优越性。
本节的详细实验配置和流程如下所述。计算平台包括AMD 64核处理器、NVIDIA RTX 4090 GPU、64 GB DDR5内存、Ubuntu 22.04操作系统,以及
讨论
本节基于PU数据集进行详细分析,以研究PCMD-HSC中每个关键模块的有效性、小样本参数对准确率的影响、源模型设计对性能的影响、模型的噪声鲁棒性、响应模式的可视化以及不同严重程度故障的分类性能。
结论
针对无源域自适应、弱故障特征和有限故障样本等挑战,本文提出了用于小样本跨条件轴承故障诊断的PCMD-HSC。该方法利用在振动数据上预训练的源模型作为知识源,通过响应模式的渐进对齐,实现基于电流模态的故障特征提取和诊断知识迁移。使用异构
作者贡献声明
Teng Wang:原稿撰写、可视化、方法论、形式化分析、概念构思。Yang Wang:审阅与编辑、监督、方法论。Yangjian Ji:验证、数据整理。Xiaojian Liu:方法论、资金获取。Wei Zeng:验证、调研。Shuyou Zhang:项目管理、方法论、资金获取。
利益冲突声明
作者声明他们不存在已知的可能影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了国家自然科学基金(编号:52405297)和浙江省自然科学基金(编号:LD24E050009)的支持。
Teng Wang | Yang Wang | Yangjian Ji | Xiaojian Liu | Wei Zeng | Shuyou Zhang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号