声-振物理信息约束引导深度学习的球磨机滚动轴承故障诊断方法
大型球磨机滚动轴承智能故障诊断方法研究
引言
大型球磨机作为有色金属产业链上应用广泛的关键设备，其运行可靠性直接影响采选效率和资源利用率。统计数据显示，超过 40%的球磨机故障源于滚动轴承，因此，提升轴承故障诊断能力对行业高质量发展至关重要。**当前故障诊断方向的研究热点，如多模态特征融合、深度学习、迁移学习等，尽管发展迅速，但未充分考虑设备的复杂工况特性及智能诊断模型的物理属性欠缺。**为此，本研究面向矿冶行业的应用需求，聚焦球磨机滚动轴承，探索复杂工况下基于声-振物理信息融合约束引导深度学习的球磨机滚动轴承智能故障诊断方法。主要内容如下：
1. 高效、可解释性深度学习诊断模型的构建
针对进一步提升滚动轴承智能诊断模型的泛化效率与可解释性需求，构建了两类高效、可解释性深度学习诊断模型。首先，结合注意力机制的优势，提出基于时序特征融合 Transformer 的方法，采用带有滑动窗口的多尺度特征自适应融合技术，自自动学习不同尺度特征的重要性并捕捉全局故障特征。其次，受生物神经元多样性启发，构建基于二次神经网络（QNN）和双向长短期记忆网络（Bi-LSTM）的模型，通过可视化卷积核响应图、注意力图及隐层状态去提升模型的可解释性。QNN-Bi-LSTM 在高噪声(-6dB)和高负载(2-3HP)下表现优异，F1 指标最高达到 99.61%，滚动体故障诊断精度达 95.21%，并且在实验室振动信号数据集上展现出可观的抗干扰能力和鲁棒性。
2. 基于振动物理信息约束引导的智能故障诊断方法
针对基于数据驱动的滚动轴承智能故障诊断模型物理属性欠缺而导致变工况下鲁棒性不足，提出了一种基于振动物理信息约束引导（V-PICG) QNN-Bi-LSTM 的滚动轴承智能故障诊断方法。QNN 引入二次项以捕捉复杂非线性关系，Bi-LSTM 考虑时间序列的前后依赖性。将物理模型参数转化为数学方程，作为神经网络的约束条件，引导模型学习物理特征与模式。考虑非线性接触刚度及温度-粘度耦合效应，构建非线性动力学模型，以增强故障特征的物理表征能力。设计 4 个综合损失函数，并采用遗传算法优化多损失正则化参数，平衡数据特征与物理模型知识的学习，从而提升模型的物理可解释性与诊断准确性。实验结果显示，V-PICG-QNN-Bi-LSTM模型故障诊断准确率高达99%，F1分数达1.00，参数量仅为0.18M，测试时间0.65秒，工业测试中也展现了同等性能。
3. 声-振多模态信号融合的智能故障诊断模型
针对单一振动信号难以全面提取轴承系统特性的问题，引入声音信号，提出基于压缩注意力机制编码-Transformer解码（CAME-TD）的智能故障诊断模型。为优化声-振多模态信号的自适应融合，采用基于 CAME 的自监督学习方法，捕捉时变信号的动态相关性。TD 模型用于学习声-振信号的非线性故障特征，实现同步输入并自动匹配不同模态的特征融合方式。设计动态关注机制，在强相关时执行特征级融合，弱相关时采用共享输入通道与融合卷积，以适应混合输入模式。通过正则化损失约束优化信号融合，评估其对诊断任务的贡献，并动态调整声-振信号强相关性阈值，增强轴承故障诊断的性能。结果表明CAME-TD模型在轴承故障诊断中准确率达99.31%，消融实验验证CAME模块使准确率提升15.13%，抗噪测试中-6dB下保持91.26%准确率，显著优于对比模型。
4. 声-振物理信息融合约束引导的深度学习方法
针对深度学习诊断模型中物理规则约束不充足的问题，提出了一种声-振物理信息融合约束引导深度学习的方法。首先，构建滚动轴承15自由度非线性动力学模型以表征具有声-振响应的轴承故障机制，揭示从健康状态到完全剥落的多阶段失效演变过程。其次，利用粒子滤波算法自校正物理超参数，确保模型动态捕捉故障特征演化的规律。最后，设计交叉熵损失、物理一致性损失和物理特征不确定性损失的正则化加权体系，使深度学习模型在数据学习的同时优化对真实物理规律的适应。结果表明物理融合约束的模型准确率达99.45%，优于单一模态和无物理信息的融合方法。
5. 基于虚实声-振信号动态交互的物理超参数动态校准算法
针对工业球磨机故障数据欠缺及深度学习模型对高保真数据依赖性强的问，提出了一种基于虚实声-振信号动态交互的物理超参数动态校准算法。首先，利用高斯过程回归（GPR）构建降阶代理模型，实现对物理超参数的高效评估与优化，并通过Sobel敏感性分析筛选出显著性参数。基于初始的参数生成虚拟正常和故障信号，并以虚实正常信号的时频域相关性误差阈值为目标函数，利用萤火虫算法（FA）优化超参数，最小化虚实差异。最后，通过实时仿真和时频域相对误差评估，动态更新显著性参数，确保虚实工况保持一致。实验显示无故障数据下的模型诊断精度达94.5%，-2dB噪声下保持92.38%，优于现有零次故障诊断方法。
6. 数字化零次故障诊断策略
为了同时解决智能故障诊断模型物理属性嵌入不充足和故障信号缺失的问题，提出了一种基于虚实声-振信号融合模型孪生的数字化零次故障诊断策略。设计声振信号响应的故障植入实验，建立工业球磨机声-振信号测试平台及应用系统。在无故障数据下，多模态孪生模型仍使球磨机故障诊断精度达97.5%，验证了基于CAME-TD的声-振多模态信号自适应融合、基于物理融合约束的孪生模型和基于虚实动态交互式孪生信号生成方法的优越。在工业测试场景中，发现需同步考虑物理属性不足导致的鲁棒性差和对高保真故障数据依赖性强的重要性，证明了双孪生诊断策略的必要性。
上述诊断模型，在实验室故障测试平台及福建马坑矿业工业球磨机上进行一致验证。结果表明，物理模型与数据驱动的交互式孪生方法能够同步地提升数据稀缺和噪声干扰下的诊断性能，及智能故障诊断模型的可解释性，有望解决旋转机械设备故障诊断中的更多共性难题。
关键词
滚动轴承；智能故障诊断；特征融合；物理融合约束；物理模型；交互式孪生；球磨机