博文

基于双域抗噪编码与门控循环Transformer的轴承故障诊断

已有 337 次阅读 2026-9-28 16:34 |系统分类:博客资讯

引用本文

蒋鹏, 姚立忠, 秦鹏杰. 基于双域抗噪编码与门控循环Transformer的轴承故障诊断. 自动化学报, 2026, 52(7): 1372−1386 doi: 10.16383/j.aas.c250650

Jiang Peng, Yao Li-Zhong, Qin Peng-Jie. Bearing fault diagnosis based on dual-domain anti-noise coding and gated recurrent Transformer. Acta Automatica Sinica, 2026, 52(7): 1372−1386 doi: 10.16383/j.aas.c250650

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250650

关键词

故障诊断，双域特征提取，协同注意力机制，门控循环Transformer

摘要

针对强噪声非平稳环境下滚动轴承故障信号关键特征易被淹没而导致诊断性能下降的难题, 提出一种双域抗噪编码与协同注意力混合解码模型. 首先, 该模型构建一个双域抗噪编码器, 其时域残差收缩分支可自适应学习阈值以抑制干扰, 同时波域可微分小波卷积分支用以捕获多尺度频率结构, 二者共同实现鲁棒的多域特征表示; 其次, 模型设计双域协同注意力模块, 通过双向交互与门控调节实现时域、波域特征的动态协同与自适应融合, 进而提升高噪声下的特征融合能力; 最后, 开发门控循环Transformer解码器组件, 将Transformer自注意力机制与GRU循环门控机制深度融合, 在统一的特征空间内同步实现全局建模与局部时序依赖提取的高效平衡. 基于凯斯西储大学与帕德博恩大学轴承数据集的实验表明, 该模型在标准工况下准确率达到100%, 且在强噪声下仍保持高准确率, 充分体现了其优越的抗噪性与鲁棒性.

文章导读

滚动轴承是旋转机械系统的关键部件, 其运行状态直接决定机械设备的安全性与可靠性[1−2]. 在关键工业领域, 轴承失效常引发严重的连锁损坏与经济损失[3−5]. 因此, 准确识别轴承运行状态并实现早期故障诊断, 一直是工业生产与智能制造领域的重要研究课题[6−7].

传统的故障诊断方法遵循“特征提取−机器学习分类”的范式. 该过程首先利用时域、频域或时频域技术(如小波变换[8]、经验模态分解[9−11]、变分模态分解[12]等)从轴承振动信号中提取故障特征; 随后, 将这些特征输入K最近邻[13]、支持向量机[14]或核极限学习机[15]等浅层机器学习模型中进行故障识别, 并常辅以智能优化算法[16−18]来提升泛化能力. 然而, 传统方法存在两大局限: 一是关键特征的选取高度依赖专家先验知识, 过程繁琐且耗时; 二是浅层模型的特征表达能力有限, 在噪声干扰和时变工况等复杂条件下性能不佳. 因此, 故障诊断领域正转向数据驱动的智能化方法.

深度学习模型凭借其强大的端到端特征学习能力, 能够自动地从原始振动信号中提取并表征故障模式, 极大地推动了故障诊断技术的进步[19−21]. 例如, 基于深度一维卷积神经网络的方法[22]及一维与二维联合卷积结构[23], 均在原始信号的自适应特征学习上取得了显著成效. 尽管卷积神经网络取得了成功, 但其固有的局限性依然明显. 首先, 卷积操作的固定感受野使其难以捕捉不同频率分量的动态变化; 其次, 实际工业场景中主要表现为复杂的环境噪声干扰及非平稳工况, 这种高强度的背景噪声往往会淹没故障冲击特征, 导致常规深度学习模型的特征提取能力失效, 鲁棒性普遍下降, 诊断精度亦随之降低.

为应对上述挑战, 提升模型在复杂工况下的特征鲁棒性, 研究者们从多个方向展开探索. 一方面, 针对单一尺度卷积核难以捕捉丰富特征的问题, Shao等[24]提出多尺度深度卷积神经网络(MSD_CNN), 通过构建多尺度级联卷积核来并行提取不同分辨率的特征, 并引入数据增强策略以应对强噪声环境; Chang等[25]则尝试在ResNet中引入卷积注意力模块来优化特征权重. 然而, 上述改进仍主要局限于时域特征的提取, 缺乏对频域物理信息的显式建模, 且在极端噪声下仅靠数据增强或局部线性映射难以完全消除干扰特征的影响. 另一方面, 为突破单域学习的局限性, 多视图特征融合成为新的研究方向[26−28]. 通过融合时域、频域或小波域的互补信息, 模型对非平稳信号的表达能力得以增强[29]. 然而, 大多数融合方法在特征提取后仅进行简单的拼接或平均, 这属于静态融合策略, 缺乏有效的域间信息交互与自适应调节机制. 特别是在高噪声环境下, 固定的融合权重易引入冗余噪声, 甚至削弱关键特征. 因此, 如何实现跨域特征流的动态协同, 是当前多域诊断研究的关键挑战之一[30−31].

与此同时, 滚动轴承的振动信号本质上是复杂的时序数据. 独立于上述基于CNN的特征提取研究, 另一类方法侧重于利用时序模型捕获其动态依赖关系. 传统循环神经网络难以捕捉长距离依赖, 作为其改进结构, LSTM[32]与GRU引入门控机制, 通过在细胞状态传输中构建类残差的加法路径, 使得梯度能够在长时间步中维持稳定, 从而有效缓解梯度消失问题. 然而, 此类串行循环架构在处理超长序列时, 仍难以在计算效率与全局时序特征提取之间取得平衡. Transformer架构的兴起[33]为全局依赖建模带来新思路, 但纯Transformer结构缺乏循环记忆与门控机制, 对局部动态变化的敏感性不足. Li等[34]提出Dconformer模型, 通过并行集成多尺度CNN与Transformer分支, 实现兼顾局部特征与全局依赖. 尽管该模型结合了两者优势, 但其去噪与特征提取分支相对独立, 且在处理长序列时计算复杂度较高, 缺乏针对非平稳信号局部时变特性的动态门控记忆机制.

针对上述多域特征融合不充分与时序建模抗噪性差的双重挑战, 本文提出一种双域抗噪编码与协同注意力混合解码(dual-domain anti-noise encoder with co-attention hybrid decoder, DDAE-CAHD Net)的轴承故障诊断模型. 该模型在结构上实现了抗噪特征学习与跨域动态融合的统一. 在编码阶段, 模型构建了双域抗噪编码器(dual-domain anti-noise encoder, DDAE), 该编码器并行集成时域残差收缩分支与可微分小波卷积分支, 在时域和波域中同步提取自适应抗噪特征. 随后, 在融合阶段, 设计双流协同注意力模块, 利用双向注意力与门控调节策略, 实现跨域特征流的动态协同与自适应权重分配. 最后, 在解码阶段, 提出门控循环Transformer (gated recurrent Transformer, GRT)解码器, 其在单一单元内深度融合了Transformer的全局建模能力与GRU的时序记忆机制. 此设计既保持了全局依赖建模优势, 也强化了对局部时序变化的敏感性. 该模型通过端到端的联合优化, 实现了从多域特征提取到协同时序建模的统一学习, 显著提升了在高噪声和非平稳环境下的诊断鲁棒性.

图1 模型总体框架示意图

图2 时域收缩分支结构图

图3 波域卷积分支结构图

针对强噪声干扰下滚动轴承微弱故障特征难以提取及非平稳工况下特征模态不稳定的难题, 本文提出一种基于双域抗噪编码与门控循环Transformer的诊断模型, 并经实验验证了其有效性. 本研究的主要贡献在于构建了双域抗噪编码器, 通过并行集成时域残差收缩网络与波域可微分小波卷积, 实现了含噪信号的自适应软阈值去噪与多尺度频率解耦, 从根本上提升了特征的抗噪性; 同时, 设计的双域协同注意力机制利用门控交互策略动态调节时域与波域的特征权重, 模拟专家诊断中多视图综合判断的过程, 有效克服了非平稳工况下的特征失效问题; 此外, 提出的门控循环Transformer解码器在统一特征空间内实现了全局依赖建模与局部时序记忆的深度融合. 实验结果表明, 该模型在 −10 dB的极强噪声环境下仍能保持卓越的诊断精度, 展现出优于现有主流深度学习方法的鲁棒性.

尽管本文提出的模型在抗噪性能上取得显著进展, 但在实际工业部署层面仍面临挑战, 这也指明了未来的研究方向. 一方面, 针对当前模型参数量相对较大、难以适应边缘端资源受限环境的问题, 未来工作将致力于模型的轻量化研究, 探索利用模型剪枝与量化技术压缩模型体积, 以实现算法在嵌入式振动传感器节点中的实时运行; 另一方面, 考虑到实际工业场景中故障样本稀缺且工况多变, 后续研究将结合元学习或域适应技术, 重点解决跨工况、小样本条件下的模型泛化问题, 降低对大规模标注数据的依赖, 进一步提升模型在复杂工业现场的实用价值.