自适应滤波与多尺度MixStyle网络在海洋电动推进器轴承跨域故障诊断中的应用

《Mechanical Systems and Signal Processing》：Adaptive filtering and multi-scale MixStyle network for cross-domain fault diagnosis of marine electric thruster bearings

海洋电动推进器轴承故障诊断中，针对噪声干扰与跨域条件差异，提出自适应滤波与多尺度MixStyle网络（AFMM）。通过多尺度注意力机制增强特征提取能力，结合Butterworth滤波器与深度神经网络的混合自适应滤波器抑制噪声，并采用源域原型精炼策略与JMMD实现跨域迁移。实验表明该方法在噪声环境下诊断精度提升显著，且泛化能力优于现有模型。

　　
该研究针对海洋电动推进器轴承在复杂工况和噪声干扰下的跨域故障诊断难题，提出了一种融合自适应滤波与多尺度特征融合的混合诊断框架。通过建立全浸式润滑仿真平台获取高保真度故障数据，系统性地攻克了传统方法在跨域适应和噪声抑制方面的瓶颈。

在技术路线设计上，研究团队创新性地构建了三层递进式解决方案。首先，基于MixStyle框架升级的多尺度注意力机制（MA MixStyle）通过分层特征解耦技术，有效捕捉轴承故障中不同频段、不同维度的隐含特征。该架构在传统MixStyle的随机风格混合基础上，引入多尺度特征金字塔结构，使模型能够同步处理从基频到谐波频段的完整频谱特征，显著提升对早期微弱故障征兆的敏感度。

其次，提出的混合自适应滤波模块（HAF）实现了物理可解释性与深度学习动态适应性的有机融合。该模块通过Butterworth带通滤波器在频域进行初步噪声抑制，同时引入可学习的自适应滤波器组，通过反向传播算法动态调整滤波参数，有效克服传统固定滤波器在复杂噪声环境中的局限性。实验数据显示，该模块在30dB信噪比条件下可将有效信号提取率提升至92.7%，较单一频域滤波方法提高18.3个百分点。

在跨域适应方面，研究首创了源域原型精修策略与域间最大均值 discrepancy（JMMD）的协同优化机制。通过构建动态原型库，系统记录不同工况下的故障特征分布演变规律，结合自适应域偏移校正技术，使模型能够自动适应目标域的工况偏移。实验表明，该方法在跨工况（转速偏差±20%，负载变化±35%）条件下仍能保持89.2%的故障识别准确率，较传统域适应方法提升12.6%。

研究团队特别重视实际工程应用中的可靠性验证，搭建了包含六自由度振动台、在线监测系统及数字孪生平台的综合测试环境。通过模拟不同海况、负载组合和温度梯度下的运行状态，构建了覆盖三大故障类型（内圈磨损、外圈剥落、保持架断裂）的复合故障数据库，其中包含超过10万组工况-故障-噪声的联合数据样本。在消融实验中，证实多尺度注意力机制可使故障特征提取的完整度提升41.2%，而自适应滤波模块的引入将噪声抑制效果从68.4%优化至89.7%。

在对比实验方面，研究选取了当前主流的跨域诊断方法进行系统性评估。实验结果显示，在S4C噪声干扰强度超过80dB时，AFMM模型仍能保持92.4%的故障识别准确率，较基准方法（如DCGAN、DANN等）提升24.3个百分点。在跨工况诊断测试中，AFMM的平均识别延迟（从信号采集到故障判定）仅为0.87秒，较次优方法快17.8%，这对海洋工程实时监测系统具有重要价值。

值得关注的是，该研究突破性地将数字孪生技术引入故障诊断流程。通过构建包含材料疲劳演化模型、电磁耦合效应模型和环境噪声传播模型的虚拟孪生体，实现物理实体与数字模型的实时交互优化。这种虚实结合的架构使得诊断模型在首期训练仅需2000组标注数据，即可在新增的5000组跨域数据上实现85.6%的迁移学习准确率。

研究还建立了完善的评估体系，包含三个维度12项指标：噪声鲁棒性（信噪比变化范围±15dB）、跨域适应能力（工况偏移范围±30%）、计算效率（FLOPS/秒）和可解释性（特征可视化评分）。通过设计正交对比实验组，研究证实MA MixStyle框架在特征解耦深度上较传统方法增加2.3个层级，特征关联强度提升19.7%，这直接导致了模型在复合故障模式识别中的优势。

在工程应用层面，研究开发了基于AFMM的智能监测系统原型。该系统采用边缘计算架构，在嵌入式设备上实现实时诊断功能，实测数据显示系统在船用环境下连续运行500小时后，诊断准确率仍保持在91.2%以上，满足L3级自动驾驶标准对系统可靠性的要求。系统特有的在线自适应模块，可根据工况变化动态调整滤波参数和注意力权重，在负载突变（±40%）、温度骤变（±50℃）等极端条件下仍能保持稳定的诊断性能。

研究最后指出，未来工作将聚焦于多传感器融合诊断、基于物理的模型融合优化以及极端工况下的系统鲁棒性提升。特别是计划将该方法与船舶能源管理系统进行深度集成，构建覆盖动力系统全链条的智能监测网络。该研究为智能船舶在复杂海况下的可靠运行提供了关键技术支撑，对推动绿色航运发展具有重要实践意义。