《Engineering Applications of Artificial Intelligence》：A three-dimensional multi-sensor fusion convolutional network for bearing fault diagnosis under complex small sample conditions
编辑推荐：
为解决单一传感器在轴承故障诊断中信息表征不足的问题，研究人员开展了三维多传感器融合卷积网络（3D MFCN）的研究。该研究通过融合振动等多源故障信号构建输入，利用多尺度梅尔变换提取时-频-深三维特征张量，并结合三维卷积池化模块（3D CPM）与双向长短期记忆网络（BiLSTM）实现端到端故障诊断。实验表明，3D MFCN在三个数据集上分类准确率均超过99.7%，且在噪声环境下特征提取与模型稳定性均优于98%，显著超越了传统单传感器诊断方法，为复杂工况下的智能诊断提供了新思路。
在现代工业系统中，滚动轴承作为关键部件，其运行状态直接关系到整个机械系统的稳定性和效率。据统计，旋转机械中约30%的故障源于滚动轴承，这些故障不仅影响设备性能，严重时甚至危及生产安全。因此，轴承故障的准确识别已成为工业领域的重要研究课题。传统的数据驱动故障诊断方法通常依赖于专家经验设计特征，并结合浅层机器学习模型进行分类，但这种方法在面对复杂多变的工作条件和高维非线性特征时，往往表现不佳。随着深度学习技术的发展，卷积神经网络（CNN）等模型在故障诊断中展现出强大的特征学习能力，尤其在跨域和小样本故障识别方面具有显著优势。然而，在实际工业环境中，标记故障数据的获取困难，导致数据集不平衡，限制了深度学习模型的性能和泛化能力。此外，单一传感器获取的信息有限，难以全面表征设备的健康状态，而多传感器融合技术虽能提供更丰富的信息，但现有方法多集中于二维特征转换，未能充分挖掘数据间的复杂关联，导致特征表征不足，且抗噪声干扰能力较弱。
针对上述挑战，发表在《Engineering Applications of Artificial Intelligence》上的研究提出了一种三维多传感器融合卷积网络（3D MFCN），旨在通过多维特征融合和时空依赖关系联合建模，提升故障诊断的准确性和鲁棒性。该研究主要采用了以下关键技术方法：首先，通过多尺度梅尔变换将一维信号转换为时间-频率-深度三维特征张量（3DMel），构建多源输入；其次，利用三维卷积池化模块（3D CPM）提取局部时空特征；最后，结合双向长短期记忆网络（BiLSTM）捕获长期时序依赖关系，实现端到端的故障诊断。实验数据来源于山东科技大学（SDUST）、韩国科学技术院（KAIST）和帕德博恩大学（PU）的轴承数据集，涵盖振动、声学和温度等多种传感器信号。
研究结果部分通过多个案例验证了所提方法的有效性。在SDUST数据集上，3D MFCN的准确率达到99.7%，显著高于支持向量机（SVM）、ResNet、WDCNN和FCN-Desnet等对比方法。特征可视化（t-SNE）显示，3D MFCN能够将不同故障类型的样本清晰分离，混淆矩阵进一步证实了其优异的分类性能。在KAIST和PU多传感器数据集上，3D MFCN同样表现出色，准确率分别达到99.7%和99.8%，且在多传感器融合实验中，其诊断精度明显优于单传感器配置，证明了多源信息融合的优势。噪声分析表明，在高斯噪声和拉普拉斯噪声环境下，3D MFCN和3DMel特征提取方法均保持高准确率（如SNR=-2dB时仍超过98%），展现出强大的抗干扰能力。消融实验和超参数敏感性分析进一步验证了网络各模块的贡献和参数设置的鲁棒性，其中学习率在5×10?4至1×10?3、Dropout在0.1–0.2、BiLSTM隐藏单元在80–100范围内时，模型性能最优。
综上所述，该研究通过引入三维梅尔频谱和3D MFCN框架，有效解决了传统方法在特征表征、时空建模和噪声鲁棒性方面的不足。3D MFCN不仅在小样本和复杂噪声条件下实现了高精度诊断，而且通过多传感器融合提升了模型的泛化能力和工程适用性。这一成果为工业设备智能故障诊断提供了新的技术路径，具有重要的理论价值和实际应用前景。未来研究可进一步探索零样本条件下的诊断能力和跨域迁移学习等挑战。
