ResStarNet:面向变工作频率与负载条件下电机故障诊断的频率归一化与物理引导框架

《Measurement》:ResStarNet: A frequency-normalized and physics-guided framework for motor fault diagnosis under varying operating-frequency and load conditions

【字体: 大 中 小 】 时间:2026年09月19日 来源:Measurement 6.1

编辑推荐:

   **• 提出了一种物理引导的深度学习框架,用于在变速度和变负载条件下进行鲁棒的电机故障诊断。• 通过Morlet-CWT时频谱图的本频归一化,获得速度不变的时频表示。• 一种轻量级残差网络ResStarNet,集成了StarGate调制与残差学习,用于高效特征提取。• 引入了

  

**• 提出了一种物理引导的深度学习框架,用于在变速度和变负载条件下进行鲁棒的电机故障诊断。• 通过Morlet-CWT时频谱图的本频归一化,获得速度不变的时频表示。• 一种轻量级残差网络ResStarNet,集成了StarGate调制与残差学习,用于高效特征提取。• 引入了容差感知的物理引导正则化策略,以改善物理一致的特征学习和跨域鲁棒性。• 所提框架在保持低计算复杂度的同时,显著提升了跨域性能。**

**引言**

时频(T-F)分析因其能够捕捉非平稳故障特征,长期以来被用于电机的状态监测。短时傅里叶变换(STFT)和连续小波变换(CWT)等技术被广泛使用,以揭示与电机缺陷相关的特征谐波和调制边带。基于时频的方法通常依赖手工特征提取和专家知识,其性能往往取决于精心调优的信号处理步骤。这些局限性促使了数据驱动学习方法的应用[1], [2]。

卷积神经网络(CNN)作为一种自动数据驱动学习方法,已被广泛应用于振动和电流信号的时频表示中,用于工业应用中的故障检测和分类[3]。CNN模型既可以开发为任务特定架构,也可以通过迁移学习使用预训练网络。在迁移学习设置中,预训练CNN可用作深度特征提取器,通过更新选定网络块进行部分微调,或以端到端方式进行微调。这些模型通常用于基于图像的故障诊断,其中原始信号被转换为频谱图或小波图,然后作为网络输入使用[4], [5]。在深度特征提取范式下,CNN用于从输入数据中提取有意义的表示,用于训练下游分类器,尤其是在标注数据有限时。当需要进一步适配时,可以对选定的网络块进行部分微调。然而,在有限的源域数据上训练的模型可能变得过度专业化,从而降低跨域性能。因此,足够大且领域多样化的数据集对于鲁棒的泛化能力至关重要[6], [7]。

对于使用CNN模型的基于时频图像的故障检测和分类,近期研究越来越关注通过各种策略提升模型的判别能力。这些策略包括注意力机制的集成、域适应技术、物理信息约束,以及基于电机物理行为的架构定制。此外,考虑到不同运行条件下电机故障特征时频变异性的数据增强策略也越来越受到关注[8], [9], [10], [11]。

Siddique等人[12]提出了一种用于轴承故障诊断的混合深度学习框架,其中振动信号首先通过CWT转换为时频表示,然后通过结合多头自注意力、BiLSTM和1D残差卷积网络的注意力增强时空架构进行分类。Wang和Wang[13]提出了一种并行CNN-Transformer诊断模型,集成了交叉注意力机制框架,用于滚动轴承故障诊断。原始振动信号首先使用快速傅里叶变换(FFT)和变分模态分解(VMD)处理,形成多维时频特征矩阵。然后,特征被送入并行的CNN和Transformer分支,以捕捉局部频谱模式和全局时间依赖。最后,一个交叉注意力模块融合双域特征。Xu等人[14]提出了一种用于不平衡数据条件下轴承故障诊断的深度稳定ResNet34框架。振动信号首先被转换为基于CWT的时频图,从中提取深度特征。提取的特征随后通过随机傅里叶特征映射到高维特征空间,然后通过样本加权和去相关获得内在故障相关特征,并减少类不平衡的不利影响。Xu等人[15]提出了一种基于Mamba的全局-局部融合框架,结合指示性对比学习,用于跨域轴承故障诊断。该框架集成了基于Mamba的全局建模与局部特征提取,以提高对噪声和样本不平衡的鲁棒性,同时通过工作条件标签提示的指示性对比学习增强跨域泛化能力。

为了提升深度学习模型的泛化能力和诊断性能,近期研究专注于将电气机器的物理特性和不同运行条件下故障相关的频谱行为纳入学习过程。Zhong等人[16]提出了一种基于挤压激励膨胀SincNet(SEDSNet)的迁移学习框架,结合物理引导的子域自适应,用于跨条件轴承故障诊断。该方法集成了可学习的带通滤波、通道注意力和多尺度空洞卷积进行特征提取,同时使用表征瞬态冲击、周期脉冲和故障带相关的物理引导指标,结合对抗学习指导域和子域对齐。Su等人[17]提出了一种物理引导的盲小波去卷积迁移网络,用于跨机器轴承故障诊断。该方法集成了基于自适应盲小波去卷积的特征提取与物理引导建模损失。Jian等人[18]提出了一种物理引导的半监督域泛化(PI-SSDG)框架,用于轴承故障诊断。该方法采用CNN-BiLSTM主干,引入了基于等效单自由度(SDOF)强迫振动模型的物理引导约束,并结合物理感知和不确定性感知的伪标签加权与对比表征对齐。Cao等人[19]提出了IMSF-Net,一种声学故障诊断框架,结合了虹膜频谱特征增强与多尺度注意力网络。该方法采用极坐标虹膜映射和反频率映射策略,以增强中低频故障模式的表示,并集成基于Res2Net的多尺度特征提取与自适应时空注意力机制。He等人[20]提出了一种跨域小样本轴承故障诊断框架(PICDF),将物理信息纳入特征提取网络。该方法嵌入了包含采样频率和故障频率的拉普拉斯小波核,并结合多尺度特征关联、中心原型更新、域自适应和原型对齐。

Jia等人[21]提出了一种物理引导的无监督域自适应框架,用于跨机器轴承故障诊断。该方法从轴承故障特征频率和频谱能量值推导物理信息,构建物理标签和物理基础损失用于源域训练。对于目标域,物理信息与频谱聚类和基于Wasserstein的伪标签结合,然后进行动态置信度增强。Kang等人[22]提出了一种机制约束的跨域故障诊断框架,使用改进的小波变换生成物理有意义的时频表示,并采用频谱-包络注意力来增强故障相关成分,同时抑制域相关噪声。尽管将物理知识纳入了学习过程,但大多数现有物理引导方法关注的是模型级约束或信号处理增强,并未明确解决速度变化引起的频率轴错位问题,这在跨域故障诊断中仍是一个关键挑战。

此外,现有研究聚焦于数据驱动的特征交互和注意力剪枝机制,以提升跨域或跨机器性能。He等人[23]提出了一种时频自对比学习(TFSCL)框架,用于无目标域信息的电机级机器跨域复合故障诊断。该方法结合多尺度空间卷积与跨时频交互,并从单一源域的时间域和频率域特征中构建自对比对,引导提取域无关特征。Zhang等人[24]开发了多尺度卷积稀疏注意力Transformer(MCSAT),一种用于有限样本条件下旋转机械故障诊断的轻量级模型。该方法结合金字塔多尺度卷积特征提取、深度可分离卷积和具有双层路由的动态稀疏注意力,在捕捉局部细节和全局依赖的同时降低计算复杂性。He和Shen[25]开发了一种轻量级粗-细信号剪枝Transformer,用于电机级机器跨域复合故障诊断。该方法结合单向多尺度卷积分块实现灵活的全局信息交互和融合,以及粗粒度时间定位和细粒度特征提取。

尽管数据驱动和物理引导的电机故障诊断取得了显著进展,但深度学习模型通常学习到与运行条件相关的频谱特征,这在训练和测试条件的供电频率或负载不同时限制了泛化能力。供电频率变化及相关的电机速度变化导致故障相关频谱成分的系统性位移,而负载相关的滑差、频谱展宽和测量不确定性引入了额外偏差。因此,从一个运行条件学习的特征分布可能与在不同频率、负载或组合频率-负载条件下观察到的分布错位,导致跨条件诊断性能下降。

为了解决这个问题,本研究提出了一个集成框架,结合了后CWT频率归一化、容差感知的物理引导正则化和紧凑残差门控架构。该框架旨在减少运行条件相关的频谱错位,并促进在所测试的速度和负载条件下可迁移的特征学习,而在模型训练过程中不需要目标域数据。相应地,本研究的主要贡献总结如下:

**ResStarNet**:开发了一种轻量级残差CNN,集成了StarGate调制,作为核心诊断架构,支持在中等和组合频率-负载变化下从小波图中进行条件鲁棒的特征学习,同时保持低计算复杂性。

**归一化频率时频表示**:开发了一种集成方法,结合了分段电气供电频率估计、归一化频率Morse-CWT表示和固定分辨率图像生成,以产生频谱对齐的时频输入,用于基于ResStarNet的电机故障诊断,从而在变速度条件下提升模型泛化能力。

**容差感知的物理引导频谱正则化**:在归一化频率域中引入了一种类特定正则化策略。从分析电机故障关系定义广泛的故障相关候选区域,并使用源域训练数据细化这些区域内的代表性频谱中心。作为中间特征表示的软约束,该正则化在训练期间引导ResStarNet朝向物理相关的频谱结构,支持在变负载条件下更好的泛化。

**系统的跨条件评估**:所提框架在大的和中等的工作频率变化、负载变化以及组合频率-负载变化下,使用包含健康、断轴故障、定子故障、轴承故障和偏心故障条件的实验定子电流数据集进行了系统评估。

**方法片段**

**所提方法**

所提方法如图1所示,其中原始定子电流信号被转换为基于图像的表示,供ResStarNet模型使用。整体框架由以下主要阶段组成:(i) 将电流信号分割为固定长度的窗口,(ii) 估计每个段的电气基频,(iii) 使用Morse连续小波变换(Morse-CWT)提取时频表示,(iv) 归一化时……

**实验验证**

所提模型使用自定义构建的定子电流数据集进行了实验验证,如图4所示。信号在四个不同的电机运行条件下采集:30 Hz满载(FL–30 Hz)、50 Hz满载(FL–50 Hz)、30 Hz半载(HL–30 Hz)和50 Hz半载(HL–50 Hz)。数据采集使用LabJack DAQ系统配合霍尔效应电流传感器,采样频率为5 kHz。

数据集使用四个感应……准备而成。

**在CWRU数据集上的验证**

为进一步评估核心ResStarNet架构在基于电流的电机故障诊断之外的适用性,使用辛辛那提凯斯西储大学轴承数据集(CWRU)的振动信号进行了额外实验,如图32所示。CWRU测试台由一台2马力电动机、扭矩传感器、编码器和测功仪组成。振动信号由安装在电机轴承外壳上的加速度计在受控实验室条件下记录……

**结论与未来工作**

本研究提出了一个统一的跨条件感应电机故障诊断框架,通过集成ResStarNet架构、基频对齐的Morse-CWT小波图和物理引导的中间特征正则化。结果表明,ResStarNet在所研究的运行条件下支持可迁移的特征提取,特别是在中等和组合速度-负载变化下。然而,大的工作频率差异会产生……

**生成式AI及AI辅助技术在稿件准备过程中的声明**

在准备本工作期间,作者使用OpenAI的ChatGPT协助语言编辑、提升清晰度和可读性,以及完善稿件的组织结构。作者审查并编辑了所有AI辅助输出,并对已发表文章的内容承担全部责任。

**CRediT作者贡献声明**

Rohullah Rahmatullah:写作——审阅与编辑,写作——初稿,可视化,验证,软件,方法学,形式分析,数据整理,概念化。Necibe Fusun Oyman Serteller:. Ayca Ak:.

**利益冲突声明**

作者声明,他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

Rohullah Rahmatullah | Necibe Fusun Oyman Serteller | Ayca Ak
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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