一种具有双路径特征编码的广义学习模型，用于鲁棒且便捷的增量故障诊断

《Neural Networks》：A broad learning model with dual-path feature encoding for robust and expedient incremental fault diagnosis

　　

**摘要**

依赖单样本学习的智能故障诊断（IFD）模型在动态机械系统中往往表现不佳，因为在增量学习（IL）条件下它们知识稳定性有限且计算成本高昂。为解决鲁棒性与效率之间的权衡问题，本文提出了一种多尺度高分辨率与源信息引导的宽学习模型（MHRSI-BLM）。该框架利用宽学习的高效计算能力，通过快速的权重校正和伪逆更新机制，实现了高效的增量更新。此外，MHRSI-BLM框架采用双路径特征编码策略以提升鲁棒性：多尺度高分辨率路径增强特征表示能力，而互补的源路径则为增量更新提供相对稳定的特征锚点。在两个滚动轴承数据集上的实验表明，所提方法在保持有竞争力的计算效率的同时，实现了较强的诊断精度。

**引言**

滚动轴承是现代工业机械设备中的关键部件，保持其健康运行状态对于确保系统稳定性至关重要（Liang et al., 2023）。滚动轴承长期在较为恶劣的环境条件下持续运行，容易发生多种故障模式，这些故障最终可能损害系统稳定性并造成重大经济损失（Zhou et al., 2021）。及时监测和诊断轴承的早期故障并采取相应措施，可以防止机械部件进一步损坏（Chen et al., 2025b）。因此，旨在维持滚动轴承稳定运行的智能故障诊断（IFD）吸引了全球研究人员的持续关注。

传统的故障诊断方法，如经验模态分解（EMD）（Ke et al., 2022）、多变量变分模态分解（MVMD）（Song et al., 2022）、聚类加权包络谱（CWES）（Chen et al., 2025a）和经验小波变换（EWT）（Xu et al., 2020），主要依赖复杂的信号处理技术。尽管取得了进展，但这些方法通常需要大量的参数调优，并高度依赖先验知识，这会引入不确定性并降低诊断可靠性。因此，具有强大自动特征学习能力的深度学习（DL）方法，特别是卷积神经网络（CNN）（Chen, Zheng, Xiao, Han, Luo, 2023; Song, Liu, Fang, Liu, Zhong, Liu, 2024; Xu, Mo, Jiang, Chen, Gui, Wang, 2024a; Zhu, Miao, Cao, Huang, Fan, 2025），已被广泛采用。然而，在实际场景中，机械设备经常在变化的工况下运行，导致数据分布非平稳。大多数现有DL模型基于静态数据集假设固定的数据分布，在遇到分布偏移时会出现显著的性能下降。为了解决变工况下的故障诊断问题，众多模型已被提出。Yu等人（2023）提出了一种基于图神经网络（GNN）结合动态图嵌入（DGE）机制的新型故障诊断模型，使模型能够适应波动的运行条件，并具有出色的领域适应能力。Jin等人（2025）通过融入多通道、多尺度CNN-LSTM-ECA特征提取模块增强了领域对抗神经网络，实现了变工况下滚动轴承的准确故障诊断。Feisa等人（2025）提出了一种增强型一维深度CNN方法，在多种运行条件下识别滚动轴承的多种健康状态时取得了高准确率。Shahzad等人（2025）引入了一种熵增强克罗内克卷积特征金字塔（EKCFP）方法，进一步提高了变工况下的诊断精度。

上述方法依赖于批学习范式，引入了根本性的操作约束。首先，批学习对静态历史数据集的依赖严重削弱了模型对新颖数据模式或变化运行条件的泛化能力。这种不可避免的不适应性导致漏诊，可能迅速升级为严重的系统故障和重大经济损失。其次，批学习造成了固有的操作不连续性。获取新数据需要立即停止服务并进行完整的重新训练。完整的重新训练过程导致了显著的监测空白期，阻碍了连续的实时故障检测。这种不连续的方法从根本上不适合动态工业环境。增量学习（IL）提供了一种可行的替代方案，能够在保留先验知识的同时持续整合新信息。Liu等人（2023）提出了一种基于生成特征回放的终身学习方法（LLMGFR），该方法将当前任务的真实特征与生成特征相结合，有效解决了分类器不平衡问题并缓解了灾难性遗忘，从而实现了动态环境下的持续学习。Wang等人（2023）引入了一种基于增量学习的多任务共享分类器（IL-MTSC）用于多种运行条件下的轴承故障诊断，该方法能够保留和扩展知识。Zhang等人（2024）引入了一种深度自适应稀疏残差网络（DASRN），采用任务感知的动态掩码策略来调节权重的保留和利用，在平衡记忆容量和学习能力的同时缓解灾难性遗忘。

DL在静态闭集故障诊断任务中取得了显著成功。然而，其在连续增量工业场景中的实际部署受到两个固有局限性的根本制约。一方面，主流DL模型依赖计算密集的反向传播驱动的迭代优化。这在资源受限的工业边缘设备上造成了实时增量模型更新的严重瓶颈。另一方面，静态DL框架的固有架构刚性阻碍了新型故障知识的无缝集成。此类框架通常在轻量级增量更新过程中要么导致已学习故障模式的灾难性遗忘，要么需要耗费数百个迭代epoch进行完整模型重新训练以适应新的故障知识，导致极长的更新周期、过高的计算开销以及无法支持工业在线诊断场景中的低延迟连续更新。为解决这些关键挑战，宽学习系统（BLS）（Chen and Liu, 2018）作为一种有前景的替代框架应运而生。基于这一效率优势，已有多种变体被引入用于故障诊断，如改进的终身学习IFD宽学习系统（IBLS）（Fu et al., 2023）和因果宽学习模型（CBLM）（Xu et al., 2024b），这些方法在保持精度的同时显著降低了时间消耗。然而，传统BLS依赖随机初始化权重生成的特征作为其特征节点和增强节点。这种非确定性的特征生成本质上无法捕获有效轴承故障表示所需的关键信息，削弱了其在复杂运行条件下准确建模故障演化过程的实用性。这种无引导的随机特征提取缺乏精确编码细微故障特征的能力，导致新故障模式与旧故障模式之间的特征可分性较差。这一局限性使诊断模型容易崩溃，损害了精度和鲁棒性，最终无法满足高可靠性工业需求。

为了解决复杂滚动轴承故障诊断中增量学习的鲁棒性-效率困境，本文提出了多尺度高分辨率源信息引导宽学习模型（MHRSI-BLM）。该方法处理通过短时傅里叶变换（STFT）得到的时频表示。多尺度高分辨率挤压-激励（MHRSE）网络被战略性地用于缓解空间信息衰减和通道冗余，从而增强特征表示的鲁棒性。计算效率由BLM的快速权重校正和伪逆更新机制提供支持，实现了快速的模型更新。关键在于，引入了一种互补的源层，作为稳定的特征锚点，对特征空间施加内在约束，有效缓解了增量学习过程中的灾难性遗忘，实现了鲁棒的双路径特征编码。这一设计使MHRSI-BLM为变化运行条件下的连续高效故障诊断提供了一个实用框架。本文的主要贡献总结如下：

1）我们提出了MHRSI-BLM模型，这是一种集成的知识驱动增量学习架构，旨在解决工业系统中诊断知识稳定性与计算效率之间的权衡问题。

2）我们设计了一种多尺度高分辨率挤压-激励网络，用于缓解空间信息退化和通道冗余，从而提高特征表示的鲁棒性。

3）我们引入了一种源层，作为特征空间中的稳定组件。实验表明，它有助于在增量更新过程中维持整体特征矩阵的数值稳定性，并缓解灾难性遗忘。

4）我们在两个基准数据集上验证了所提框架，并证明其在保持有竞争力的计算效率的同时实现了鲁棒的增量诊断性能。

本文其余部分组织如下。第2节简要描述了问题和宽学习。第3节详细介绍了所提MHRSI-BLM方法。第4节使用两个滚动轴承数据集呈现实验验证和性能分析。最后，第5节对本文进行总结。

**2 问题描述与宽学习**

**问题描述**

本文聚焦于域增量场景下的故障诊断。通常，初始模型包含在给定运行条件下健康和故障状态的训练集。设D={Dn}n=0N表示从多个运行条件收集的数据集，其中N表示运行条件的数量。对于初始任务T0，数据集D0={(xj0,yj0); j=1,2,…,m}用于训练初始诊断模型M0，其中m表示样本数量，xj0∈X表示输入信号。

**宽学习**

宽学习系统（BLS）是一种基于随机矩阵理论的高效前馈神经网络架构。与传统深度网络不同，BLS避免了耗时的反向传播迭代训练过程，而是通过伪逆方法直接求解输出权重。给定输入特征X∈R^{n×d}，BLS首先通过特征映射节点生成初始特征节点H∈R^{n×p}，随后通过增强节点生成增强特征Z∈R^{n×q}。最终，输出权重β通过伪逆公式β=[H|Z]?Y计算得到，其中Y∈R^{n×c}是标签矩阵。

**多尺度高分辨率挤压-激励网络**

MHRSE模块旨在解决深度特征提取中的两个核心瓶颈：空间信息退化和通道维度冗余，从而为BLM提供鲁棒且具有可分性的特征表示。该模块结合高分辨率保持结构FHR与显式通道重校准机制GSE。该模块作为BLM的特征映射层，负责提供具有高度鲁棒性的高分辨率特征。MHRSE的设计是一个整合框架：

（1）高分辨率保持结构：该结构在特征提取过程中保持多尺度高分辨率特征图，避免空间信息在深层传递过程中因反复下采样而损失。

（2）挤压-激励机制：该机制通过全局信息聚合（挤压）生成通道描述符，然后通过非线性变换（激励）重新校准通道响应，显式建模通道间依赖关系，抑制冗余通道并突出信息丰富的特征。

MHRSE网络的训练采用标准反向传播算法，以分类交叉熵损失为目标函数，确保特征表示的判别能力。

**实验与结果**

所提方法在两个滚动轴承数据集上进行验证。模型使用Python实现。我们的实验环境配置为Intel Core i7-11700处理器（8核，16线程，2.5 GHz基础频率，4.9 GHz最大睿频）和NVIDIA RTX 3090 GPU。对于所提框架和基于MHRSE的消融变体，报告的逐阶段运行时间涵盖每个阶段的特征提取和宽学习训练或更新，但不包括一次性的预处理。

**结论**

本文提出了MHRSI-BLM，一种基于宽学习的增量故障诊断框架，用于变化运行条件下的故障诊断。在CWRU和PU数据集上的实验结果表明，所提方法在增量更新过程中始终保持高诊断精度，同时保持有竞争力的计算效率。这一改进主要来自两个组成部分：多尺度高分辨率特征提取模块增强了特征表示能力，以及源层作为稳定锚点有效缓解了灾难性遗忘。

**CRediT作者贡献声明**

Shengjie Zhang：撰写——初稿、软件、方法论、概念设计。Baoyi Xu：撰写——审阅与编辑、验证。Zeyun Yang：撰写——审阅与编辑、监督、项目管理。Fen Wang：资源、调查。Yuan Liu：形式化分析。Zheng Xiang：资金获取。

**利益冲突声明**

作者声明不存在可能影响本文所述工作的已知竞争性财务利益或个人关系。

**致谢**

本研究受国家自然科学基金（NSFC）资助，批准号分别为62201514和62401513，并受中央高校基本科研业务费专项资金资助，批准号为XJSJ25031。

Shengjie Zhang | Baoyi Xu | Zeyun Yang | Fen Wang | Yuan Liu | Zheng Xiang