输入层

数据接收与标准化

接收原始振动信号（时域波形），进行归一化处理（消除量纲差异）

消除传感器量程差异，统一信号幅值范围

将加速度传感器采集的0-10V电压信号归一化为[-1,1]范围

一维卷积层（底层）

初级特征提取（局部波形/频率成分）

使用窄卷积核（如64长度）滑动扫描，提取短时波形特征

捕捉高频噪声、基频成分、早期微弱冲击

检测轴承早期点蚀产生的5kHz以上高频瞬态冲击

池化层

特征压缩与平移不变性增强

最大池化（窗口长度8）保留显著峰值，平均池化平滑背景振动

突出故障冲击能量，抑制随机噪声干扰

在齿轮断齿故障中保留周期性冲击峰值，滤除润滑不足引起的宽频振动

一维卷积层（中层）

中级特征组合（周期模式/调制现象）

宽卷积核（如256长度）提取长周期特征，结合空洞卷积扩大感受野

识别幅值调制、频率调制现象，发现谐波成分

分析轴不对中引起的2倍频谐波增强，检测滚动轴承故障的特征频率边带

批归一化层

训练稳定性保障

对每层输出进行标准化（均值0，方差1），允许更大学习率

消除不同测点间振动能量差异对训练的影响

处理同一设备不同测点（水平/垂直方向）的振动信号幅值差异

激活函数层（ReLU）

引入非线性表达能力

对卷积输出进行非线性映射，保留正值特征

增强故障特征的稀疏表示，模拟机械系统的非线性响应

突出齿轮磨损导致的非对称振动波形特征

深度可分离卷积层

高维特征高效提取

先逐通道卷积提取空间特征，再1x1卷积融合通道信息

分离不同故障模式的耦合特征，降低计算量

同时检测转子不平衡（1倍频主导）与轴承磨损（高频共振）的混合故障

全局池化层

时空特征聚合

对时域特征图进行全局平均/最大池化，生成固定长度特征向量

整合全时程振动特征，保留关键故障模式统计量

将10秒振动信号压缩为表征故障严重程度的特征向量

全连接层

高阶特征关联与决策

多层非线性变换建立特征间复杂映射关系

建立频域特征与时域统计量的关联，综合判断故障类型

结合谐波能量分布与峭度指标诊断滚动轴承内外圈故障

输出层（Softmax）

故障模式概率输出

将最终特征映射到故障类别概率空间

量化不同故障类型的发生可能性

输出正常/内圈损伤/外圈损伤/保持架损坏的概率分布（如[0.02, 0.83, 0.12, 0.03]）

多分支结构融合

训练时使用多分支卷积（如3x3、1x1、空洞卷积），推理时合并为单分支，提升特征多样性。

检测轴承故障中的高频瞬态冲击（多尺度卷积）与低频谐波（空洞卷积）的混合特征。

增强特征提取能力，保持推理速度

训练显存占用增加，需设计融合规则

动态权重共享

同一卷积核在不同训练阶段承担不同频率成分的提取任务，通过参数变换复用核心特征。

交替分析齿轮振动信号的时域波形（早期训练）与频域包络（后期训练），避免冗余参数。

减少参数量，防止过拟合

需设计权重演化策略，调试成本高

时-频域参数转换

训练时同时使用时域卷积和频域变换层，推理时通过重参数化统一为时域操作。

联合处理振动原始信号（时域）与STFT频谱图（频域），精准定位转子不平衡故障特征频率。

融合跨域特征，提升诊断精度

频域转换计算增加训练复杂度

残差路径简化

训练阶段保留残差连接提升梯度流动，推理阶段将残差分支合并入主路径。

在深度网络中对滚动轴承的长周期磨损特征进行跨层传递，避免梯度消失。

加速推理，保持深层网络稳定性

仅适用于线性残差结构

噪声自适应参数

添加可学习噪声分支并最终融合，增强模型对现场环境干扰的鲁棒性。

抑制工业现场中电机启停、电磁干扰等噪声对振动信号的污染，准确提取轴承故障冲击成分。

提升模型抗噪能力，减少数据清洗需求

需要额外标注噪声样本或模拟噪声环境

特征提取

并行使用3x3卷积、5x5空洞卷积、1x1卷积

合并为单一3x3卷积核

多尺度捕捉早期点蚀的瞬态冲击（5x5）与周期谐波（3x3），推理速度提升40%

抗干扰处理

添加随机噪声注入层+自适应滤波分支

移除噪声分支，参数融合至主卷积层

在噪声信噪比-5dB时仍保持92%准确率，较传统方法提升28%

多传感器融合

独立处理振动、温度信号的异构图分支

合并为统一特征提取模块

综合振动频谱与温升趋势，提前2小时预警润滑失效故障，计算资源节省35%

输入信号关联性

即使参数组（a1,a2）与（a3,a4）独立，其响应可能隐含耦合特征（如共振频率偏移）。

轴承间隙（a3,a4）变化可能间接影响转子不平衡（a1,a2）引起的振动能量分布。

使用注意力机制区分特征来源，或设计独立特征提取分支。

网络结构设计

需构建多任务学习框架，共享底层特征提取，分支出独立参数预测头。

共享卷积层提取振动频谱特征，分设“转子参数预测头”和“轴承参数预测头”。

采用硬参数共享（Hard Parameter Sharing）结构，平衡特征复用与特异性。

数据分布要求

需覆盖参数组合的全空间，避免因实验设计导致伪相关性。

正交实验设计确保（a1,a2）与（a3,a4）组合独立，如L9(3^4)正交表安排振动测试工况。

采用主动学习策略，优先采样参数空间边界区域数据。

特征解耦挑战

振动信号时频特征可能同时包含多参数影响，需有效分离贡献度。

小波包能量熵特征同时反映转子不对中（a1,a2）和轴承磨损（a3,a4）的复合效应。

引入解耦损失函数（Disentanglement Loss），强制网络分离不同参数相关的特征子空间。

过拟合风险

独立参数组可能引入虚假关联，导致网络学习数据噪声而非真实物理关系。

网络误将环境温度波动导致的振动变化关联到轴承参数（a3,a4）。

添加对抗训练模块，区分真实参数影响与环境干扰。

工程验证方法

需设计物理可解释的验证实验，确认预测参数的实际有效性。

固定（a1,a2）调整（a3,a4），检验网络预测值变化是否符合理论计算结果（如轴承刚度公式）。

结合传递矩阵法（TMM）仿真结果进行预测误差归因分析。

数据采集

在可控实验台获取多参数组合下的振动信号

同步记录转速、载荷、温度等工况参数，采样率≥5倍最高故障特征频率（如20kHz）

特征工程

提取时-频-熵多维特征

计算MFCC系数、小波包能量熵、谱峭度等128维特征向量

网络构建

设计双分支CNN-LSTM混合结构

分支1：1D CNN处理时域波形
分支2：STFT+CNN处理频域特征
融合层：交叉注意力

训练策略

分阶段渐进训练

阶段1：冻结轴承参数头，专训转子参数
阶段2：联合微调，λ=0.7侧重转子参数

结果解释

应用梯度加权类激活映射（Grad-CAM）可视化特征贡献

定位振动信号中与各参数强相关的时频区域（如冲击相位对应转子角度参数）

转子系统动态平衡

1/2/3倍频振幅、相位角

不平衡质量（a1）与方位角（a2）

±5mg残余不平衡量误差

替代传统试重法，减少停机时间

滚动轴承健康状态评估

共振频带能量、包络谱峰值

径向游隙（a3）、轴向预紧力（a4）

游隙预测误差≤2μm

实现非解体检测，避免拆卸损失

齿轮箱复合故障诊断

调制边带能量比、时域同步平均残差

齿侧间隙（a1）、轴线偏差（a2）
轴承座刚度（a3）、润滑粘度（a4）

多参数联合预测准确率≥92%

突破单故障诊断局限，支持复杂系统健康管理

策略梯度（REINFORCE）

通过蒙特卡洛采样估计期望梯度，利用故障诊断结果反馈调整概率分布。

采样3种故障类型进行诊断，根据验证准确率调整各故障概率权重。

直接利用诊断结果反馈，无需可微要求

高方差需大量采样，收敛速度慢

Gumbel-Softmax重参数化

引入温度系数的连续松弛采样，使采样过程可导，通过温度退火逼近真实分布。

轴承故障类型选择时，用可导的Softmax替代离散采样，逐步降低温度系数τ提升确定性。

保持端到端可训练，梯度估计稳定

退火策略需精细设计，可能引入偏差

直通估计器（STE）

前向传播时执行离散采样，反向传播时绕过不可导操作，直接传递梯度至概率参数。

齿轮故障候选选择时，前向取Top-2故障类型，反向将分类损失梯度直接传至概率计算层。

实现简单，计算资源消耗低

梯度方向存在偏差，可能影响收敛

概率分布对齐

添加辅助损失函数，强制预测概率与专家经验分布（如历史故障统计）匹配。

根据工厂历史数据，约束轴承故障预测概率符合实际故障率（内圈故障60%、外圈25%等）。

融入领域知识，提升物理合理性

依赖先验知识准确性，灵活性降低

对抗训练

构建判别器网络区分"真实故障分布"与"网络预测分布"，通过对抗学习优化生成器参数。

使用GAN框架，生成器输出故障概率，判别器评估与真实故障标签分布的相似度。

自动学习数据分布，适应未知故障模式

训练不稳定，需精细平衡生成-判别

概率生成

振动信号经CNN提取特征后，全连接层输出各故障类型的原始得分（logits）

使用温度参数τ控制Softmax平滑度：τ初始=1.0，每epoch衰减0.95

采样选择

根据Gumbel-Softmax采样选择Top-2故障候选

在训练早期保留一定随机性（τ>0.5），后期趋近确定性选择（τ→0）

诊断验证

对候选故障进行细粒度分析（如共振频带能量比、包络谱峰值检测）

对每个候选故障计算置信度得分，与真实标签对比生成交叉熵损失

梯度回传

通过重参数化路径将诊断损失梯度传递至概率生成参数 w

采用Straight-Through Gumbel Estimator，前向离散采样，反向传播连续近似梯度

分布校准

添加KL散度损失，约束预测概率分布与设备维护记录中的历史故障分布对齐

权重系数λ=0.3，平衡主任务损失与分布先验

故障类型预测趋同

温度系数τ衰减过快，概率分布过早硬化

动态调整τ衰减策略：当验证集准确率稳定时再加速τ衰减

小概率故障永远不被采样

初始概率估计偏差导致梯度无法覆盖长尾分布

引入重要性采样加权，对低频故障（如保持架损坏）赋予更高采样权重

梯度更新方向震荡

STE方法导致梯度方向与真实偏差累积

改用Gumbel-Softmax+Straight-Through混合策略，前10epoch用STE，后期转纯Gumbel

对抗训练模式崩溃

生成器与判别器能力失衡

采用Wasserstein GAN架构，添加梯度惩罚项，限制判别器更新频率

工况多样性

不同转速/载荷下信号幅值差异大，全局归一化削弱故障特征

分工况计算均值和方差，或使用动态自适应归一化

风电齿轮箱在2MW与5MW负载下的振动信号需分别处理

故障类型差异

冲击型故障（如轴承剥落）与连续型故障（如不平衡）的统计特性迥异

对冲击信号先进行包络分析，再计算包络谱的统计量

滚动轴承内圈故障的瞬态冲击能量集中在高频段，需频域分段归一化

传感器特性

不同型号加速度计的灵敏度差异导致基线偏移

对每个传感器单独归一化，或添加硬件校准层

同一设备上安装的ICP型与MEMS型传感器数据需独立处理

数据不平衡性

正常样本远多于故障样本，导致归一化参数偏向正常状态

对故障样本进行过采样，或采用加权归一化（按类别调整统计量）

涡轮机叶片裂纹数据仅占全量数据1%，需增强后计算统计量

非平稳信号特性

启停阶段的非平稳振动破坏统计量稳定性

截取稳态运行段数据计算统计量，或采用滑动窗口实时计算

压缩机启动瞬间的振动幅值剧变需排除在统计计算外

多测点耦合

轴向/径向/垂直向振动信号具有不同物理意义，统一归一化损失方向信息

各测点独立归一化，保留相对幅值关系

电机驱动端与非驱动端振动信号应保持轴向差异以检测不对中故障

单一设备同工况

全局均值方差归一化

准确率提升8%~12%

消除传感器基线漂移，突出故障相关频段能量差异

跨设备迁移诊断

目标设备独立归一化

F1-score提高15%

克服不同设备固有振动特性差异（如轴承座刚度不同）

复合故障诊断

频带能量归一化

召回率提升22%

保留各频段相对能量比（如齿轮啮合频率与轴承故障频率的比值特征）

强噪声环境

Robust归一化（中位数与IQR）

抗噪能力增强30%

抑制异常值干扰（如瞬时电磁干扰导致的幅值突变）

变转速工况

阶比分析后归一化

诊断稳定性提高40%

消除转速波动引起的频谱模糊效应

领域自适应微调

冻结预训练模型底层特征提取层，仅微调顶层分类器参数。

将风力发电机轴承故障模型迁移至水泵轴承诊断（同故障类型，不同设备结构）。

保留通用特征提取能力，避免过拟合

需确保底层特征具有跨设备泛化性（如振动频域共性）

多任务联合训练

共享底层参数，独立训练不同工况/设备的分支分类器。

同时诊断燃气轮机（高转速）和水轮机（低转速）的齿轮故障，共享频域特征提取层。

增强模型对不同工况的适应能力

需设计动态权重平衡各任务损失

元学习初始化

通过MAML等元学习算法获取参数初始化点，快速适配新设备数据。

在少量新安装离心压缩机数据上快速微调，适应其特定振动特性。

解决冷启动数据稀缺问题

需预训练覆盖足够多样的设备类型

对抗性领域对齐

添加领域判别器，迫使特征提取层生成设备无关的故障特征。

消除不同型号加速度计（ICP vs MEMS）的采集差异，提取统一的故障表征。

提升跨传感器泛化能力

需平衡特征判别性与领域不变性

物理引导参数约束

将旋转机械动力学方程嵌入网络结构，约束参数传递方向符合物理规律。

基于转子动力学模型设计CNN卷积核初始化，优先捕捉1X/2X倍频等关键故障特征。

提升参数传递的物理可解释性

需深度结合领域专家知识

跨设备轴承故障诊断

不同轴承尺寸（6205 vs 6308）振动幅值差异大

领域自适应微调 + 频带能量归一化

+28% F1-score

保留对冲击能量特征的提取能力，独立归一化各设备数据

变转速工况齿轮故障检测

转速波动导致频谱模糊（1000-3000rpm）

元学习初始化 + 阶比分析预处理

+35%召回率

通过阶比分析将时变信号转为转速恒定域，增强参数传递稳定性

多传感器类型融合

MEMS与压电式传感器灵敏度差异显著

对抗性领域对齐 + 硬件校准补偿

+22%跨传感器一致率

添加传感器灵敏度系数作为输入特征，约束特征空间对齐

新旧设备混合诊断

新设备数据量不足（<100样本）

物理引导参数约束 + 数据增强

小样本准确度从58%→82%

基于故障机理的模拟数据生成（如添加理论故障频率成分）

数据预处理

工况划分与信号对齐

按转速-载荷矩阵分箱，动态时间规整（DTW）对齐非平稳信号

参数传递设计

选择迁移层次与冻结比例

通常冻结前80%卷积层，微调后20%全连接层（视设备差异度调整）

领域差异度量

计算最大均值差异（MMD）或CORAL距离

监控源域与目标域特征分布差异，指导微调强度

在线自适应

部署阶段持续学习

使用弹性权重巩固（EWC）防止灾难性遗忘，保留关键故障判别参数

效果验证

设计极端Non-IID测试集

包含未见过的设备型号、故障程度、环境噪声组合

负迁移（性能下降）

源域与目标域差异过大

添加领域相似性评估（如KL散度），仅传递高相关度设备参数

小样本过拟合

目标域数据不足导致微调失效

采用原型网络（Prototypical Network）构建故障特征原型空间

工况敏感度不足

共享参数过度泛化丢失工况特异性

添加工况编码向量作为模型输入，动态调制网络参数

实时性降低

复杂迁移策略增加计算开销

使用通道剪枝+量化压缩迁移后的模型，部署轻量学生网络

时域统计特性

描述信号幅值的集中趋势与离散程度

均值、方差、峰值、均方根（RMS）、峭度（Kurtosis）、偏度（Skewness）

- 轴承损伤：峭度显著增大（>6）
- 转子不平衡：均方根值升高但峭度正常

需排除设备启停阶段的瞬态冲击数据

频域能量分布

分析信号在不同频率段的能量占比

FFT频谱、包络谱、1/3倍频程能量、谐波成分占比

- 齿轮断齿：啮合频率边带能量突增
- 轴承外圈故障：特征频率（BPFO）谐波群出现

采样率需满足 Nyquist 定理（≥2倍最高分析频率）

时频联合分析

揭示非平稳信号的局部频率随时间的变化规律

小波变换、短时傅里叶变换（STFT）、Wigner-Ville分布

- 轴裂纹扩展：小波能量熵持续上升
- 松动故障：时频图中出现间歇性低频分量

避免Heisenberg不确定性导致的频率-时间分辨率矛盾

概率密度分布

描述信号幅值出现的概率分布形态

直方图、核密度估计（KDE）、Q-Q图

- 正常状态：近似高斯分布
- 早期磨损：分布右偏且重尾（异常冲击增多）

数据量需足够（>1000样本）以保证分布估计准确性

高阶统计量

捕捉非线性、非高斯特征

高阶累积量、双谱分析（Bispectrum）

- 电机电磁干扰：双谱中特定频率对能量异常
- 耦合故障：三阶累积量揭示非线性相互作用

计算复杂度高，需专业软件支持

分形特性

量化信号的复杂性与自相似性

盒维数、Hurst指数、多重分形谱

- 润滑不良：Hurst指数降低（随机性增强）
- 磨损劣化：分形维数持续增大

需足够长的信号段（>10秒连续数据）

可视化工具

直观展示分布特征

箱线图（异常值检测）、概率密度曲线、频谱瀑布图、三维时频图

- 轴承剥落：箱线图显示大量上边缘异常点
- 共振故障：频谱瀑布图显示能量带漂移

避免过度依赖视觉判断，需结合量化指标

工况关联分析

分析分布特性与运行参数（转速、载荷等）的动态关系

转速-幅值三维曲面图、载荷-能量相关性分析

- 不对中故障：特定转速区间2倍频幅值非线性增长
- 过载损伤：载荷与高频能量强相关

需同步采集工况参数，时间戳严格对齐

轴承内圈剥落

- 时域：高峭度（>8）
- 频域：高频共振区能量占比>30%
- 概率分布：显著右偏

峭度突增+包络谱中BPFI频率谐波群出现→触发二级报警

齿轮局部断齿

- 时域：周期性冲击（峰峰值波动>5σ）
- 频域：边带间隔=转频
- 时频：冲击能量周期同步

边带能量比>阈值且时频冲击间隔符合理论计算→定位故障齿轮位置

转子碰摩

- 分形维数：持续下降（周期性增强）
- 双谱：特定频率对的相位耦合
- 概率密度：多峰分布

分形维数<1.2且双谱能量聚集→提示摩擦严重程度

基础松动

- 时域：方差低频波动
- 频域：0.5X转频成分显著
- 工况关联：空载时异常更明显

0.5X成分幅值>阈值且与载荷负相关→检查地脚螺栓