基于多尺度包络熵和对比生成Kolmogorov-Arnold网络的零样本轴承寿命状态识别方法

《Mechanical Systems and Signal Processing》：Zero-shot bearing life state identification method based on multi-scale envelope entropy and contrastive generative Kolmogorov-Arnold network

轴承全生命周期状态识别方法提出基于多尺度包络熵（MSEE）的健康指标和对比生成柯尔莫哥洛夫-阿诺德网络（CGKAN），通过融合频时域特征与零样本学习机制解决未标注故障模式识别难题。

　　

作者：夏宗友 | 董少江 | 邹松 | 雷凯音 | 周路

重庆交通大学交通与运输学院，中国重庆 400074

摘要

滚动轴承表现出多种失效模式，在工业场景中获取所有失效模式的完整标注数据具有挑战性，这限制了传统诊断模型的适用性。为了解决这个问题，提出了一种零样本生命周期状态识别方法。首先，通过整合频域和时域特征构建了一个多尺度包络熵（MSEE）健康指标，以实现敏感的监测和退化状态的划分。其次，提出了一种对比生成Kolmogorov-Arnold网络（CGKAN）模型。该网络利用B样条函数准确拟合局部瞬态特征，并结合径向基函数捕捉全局模式，从而能够从已知失效模式的数据中学习特征分布。此外，还结合了Wasserstein距离和梯度惩罚机制与对比学习来优化特征空间，为未知失效模式生成高质量的样本特征，并训练分类器来识别这些未见过的失效模式。该方法在两个完整的轴承生命周期数据集上进行了验证。实验结果表明，该方法能够有效划分生命周期状态，并通过利用已知失效模式的数据，准确识别训练阶段未遇到的未知失效模式。

引言

作为机械系统中的关键部件，轴承在现代工业中得到广泛应用。由于长时间运行、维护不当以及旋转部件产生的动态应力，轴承不可避免地会退化或失效[1]。因此，轴承是旋转机械中最常见的故障部件之一。轴承的退化或失效可能导致机械系统意外停机，从而造成生产率损失和维护成本增加。因此，实时监测轴承的运行状态和健康管理对于实施预测性维护、确保人员安全以及降低运营成本具有重要的工程价值和经济意义[2]。

传统的轴承状态监测技术依赖于振动信号分析。随着深度学习技术的进步，许多数据驱动的智能诊断模型，如卷积神经网络（CNN）和循环神经网络（RNN）[3]、[4]、[5]、[6]，在轴承故障诊断领域取得了显著的成功。例如，Fang等人[7]基于增广拉格朗日多体动力学方法建立了圆柱滚子轴承的数字孪生模型，并使用双能量域自适应网络实现了故障诊断。Deng等人[8]提出了一个名为MgNet的多轴承系统故障诊断和定位框架，该框架利用辅助轴承的振动信号完成多轴承系统的故障诊断和定位。Ruan等人[9]详细研究了不同故障类型下的故障周期和轴旋转频率的物理特性，以指导CNN的设计，从而优化了故障诊断的准确性和不确定性。Jia等人[10]引入了一种基于振动信号周期性自相似性的Gramian去噪策略，使得在高噪声条件下也能进行故障诊断。然而，这些方法通常依赖于一个强假设：即在模型训练阶段可以获得涵盖所有潜在失效模式（如内圈、外圈、滚动元件故障及其不同严重程度）的充分标注数据。在实际工业场景中，这一假设往往难以满足。轴承的退化过程是长期的，其失效模式多样且不确定。获取整个生命周期的完全标注数据，特别是所有潜在运行状态的数据，成本极高。因此，我们面临的核心挑战是，在训练阶段可能完全缺少一个或多个特定失效模式的数据（即“不可访问”数据）。这种跨失效模式样本稀缺的问题导致传统监督学习模型在实际应用中存在严重的泛化问题，使得难以识别训练期间未出现的失效模式。训练过程中的数据可用性如图1所示。

为了解决上述挑战，零样本学习[11]被引入到机械智能诊断领域。零样本学习通过利用已见类别的样本及其语义描述，使模型能够识别未见类别的样本。在轴承诊断的背景下，这些“语义描述”可以理解为故障的物理先验知识。一些学者已经开始探索零样本学习在故障诊断中的应用[12]、[13]。例如，Xu等人[14]采用了一种语义编码方法，提取时频特征并在视觉空间中测量距离，以预训练语义特征样本，成功识别了复杂的复合轴承故障。Chen等人[15]提出了一种深度注意力关系网络训练方法，该方法通过在可访问领域的数据上进行训练，成功诊断了不可访问领域中的故障。Gao等人[16]引入了一种基于压缩堆叠自编码器的基于数据的故障诊断方法，能够在没有先验数据的情况下进行故障诊断。然而，大多数现有方法主要采用标准的多层感知器（MLP）作为核心架构。MLP的固定激活函数和全局逼近特性在处理振动信号中的高度局部化和瞬态脉冲特征时存在局限性，从而限制了分类准确性。

另一方面，在信号处理层面，构建能够敏感反映轴承从非平稳和非线性振动信号中的整个生命周期退化趋势的健康指标[17]、[18]是有效状态划分和识别的基础。Ni等人[19]提出了一种基于谱相干性、Wasserstein距离和线性整流的健康指标，它可以反映所有循环功率谱的概率分布的时间演变。Guo等人[20]使用全集成经验模态分解和自适应噪声以及核主成分分析构建了一种非线性健康指标来反映轴承的健康状态。Guo等人[21]采用遗传算法优化了多尺度卷积自编码器以实现自动特征学习，并基于学习特征与基线数据之间的相对相似性构建了健康指标。然而，轴承的退化是一个复杂、非线性且非平稳的过程。上述指标难以全面捕捉不同阶段在时间和频率域中揭示的多维退化信息，导致这些指标的敏感性和鲁棒性受到限制。

总之，滚动轴承生命周期状态识别的本质是模式识别。关键挑战在于如何构建适当的轴承性能退化指标以及如何建立有效的轴承生命周期状态识别模型[22]。为了解决这两个关键问题，本文提出了一种基于多尺度包络熵（MSEE）和对比生成Kolmogorov-Arnold网络（CGKAN）的轴承生命周期状态识别方法。本文的主要贡献如下：

• •
  提出了一种多尺度包络熵健康指标。该指标结合了频域的包络谱熵（ESEE）和时域的包络信号排列熵（ESPE），从能量分布无序和信号复杂性的两个维度全面描述了轴承的退化过程。通过基于标准差的自适应加权策略形成了一个统一且敏感的复合指标，为状态划分提供了可靠的基础。
• •
  基于B样条和径向基函数Kolmogorov-Arnold网络（KAN）构建了一个生成对抗模型。将KAN引入故障诊断领域。利用B样条曲线捕捉局部瞬态特征的高能力和径向基函数捕捉全局模式的能力，构建了一个高性能的生成器和鉴别器。这显著提高了振动信号特征的拟合能力和生成样本特征的质量。
• •
  引入了Wasserstein距离和类级对比学习机制。使用Wasserstein距离和梯度惩罚提高了训练稳定性。此外，类级对比学习用于在特征空间中将相似样本拉近，将不相似样本分开，进一步优化了模型，并提高了其在零样本场景下的分类准确性和泛化性能。

本文的后续章节安排如下：第2节介绍背景知识；第3节详细阐述方法论；第4节展示所提出方法的实验验证；第5节提供结论和未来工作方向。

信号包络分析

希尔伯特变换可以实现信号的调制和解调，并可以从振动信号中提取包络谱，从而揭示隐藏的低频特征频率及其谐波[23]。离散信号$\stackrel{\left(}{t}$$\stackrel{\left(}{t}$$\stackrel{\left(}{t}$$\stackrel{～}{t}\left(s\right)$$\stackrel{=}{t}$$\stackrel{=}{t}$$h\left(s\right)$$h\left(s\right)$$h\left(s\right)$$\stackrel{～}{t}\left(s\right)$$\stackrel{=}{t}$$\stackrel{=}{t}$

为了改进...

提出的零样本轴承寿命状态识别方法

图4展示了零样本寿命状态识别方法，包括两个过程：训练和应用。训练过程进一步分为四个阶段：寿命状态划分和指标构建、状态特征提取、样本特征生成以及分类器训练。

实验验证

在本节中，选择了两个完整的生命周期数据集来验证所提出方法的有效性，并将其与其他方法进行比较。使用MSEE指标进行轴承性能退化评估，而CGKAN用于零样本轴承寿命状态诊断。

结论

本文提出了一种使用MSEE和CGKAN的零样本轴承寿命状态识别方法。它解决了传统诊断模型泛化能力有限的问题，这一问题的根源在于工业环境中多样的失效模式和不完整的标注数据。该方法构建了一个MSEE健康指标，该指标整合了频域和时域特征，以实现敏感的监测和轴承退化过程的状态划分。此外，还基于...

CRediT作者贡献声明

夏宗友：撰写——原始草案、可视化、验证、软件、项目管理、方法论、数据管理、概念化。董少江：撰写——审阅与编辑、监督、资源获取、概念化。邹松：撰写——审阅与编辑、监督。雷凯音：验证、资源管理、数据管理。周路：撰写——审阅与编辑、数据管理。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了重庆市科技创新重点研发计划（CSTB2025TIAD-STX0023）、重庆市自然科学基金创新发展联合基金（CSTB2024NSCQ-LZX0024）、重庆市教委科技研究项目（KJZD-K202300711）和重庆市技术创新与应用发展专项重点项目（CSTB2024TIAD-KPX0081）的支持。最后，作者感谢编辑和匿名审稿人的帮助。