一种基于数字孪生的物理-虚拟去噪方法，用于滚动元件轴承的早期故障检测

《Mechanical Systems and Signal Processing》：A digital twin guided physical-virtual denoising method for early fault detection of rolling element bearings

滚动轴承早期故障检测中提出数字孪生引导的物理-虚拟去噪方法，通过动态模型修正和DeWGAN-GP算法融合仿真与实测信号，有效提取强噪声背景下的微弱故障特征。

　　

乔子健|宁思远|盖亚楠|谢朝阳

中国浙江省宁波市宁波大学机械工程与智能制造学院，宁波微纳运动与智能控制重点实验室，邮编315211

摘要

滚动轴承是旋转机械中的关键部件，广泛应用于航空航天、高速铁路和风力涡轮机等领域。在高温、高载荷和高转速等极端工作条件下频繁运行时，容易发生不可预测的故障，这可能导致设备停机甚至灾难性事故。因此，早期故障检测对于确保设备的安全运行至关重要。然而，传感器采集到的振动信号通常含有较强的噪声以及其他健康部件产生的正常振动响应，严重限制了早期故障特征的提取。基于此，本文提出了一种基于数字孪生的去噪方法，用于滚动轴承的早期故障检测，该方法考虑了轴承内在故障机制的知识。首先建立轴承的动态模型以生成丰富的模拟故障信号，并通过测量信号与模拟信号之间的余弦相似度对动态模型进行校正和更新，从而生成与真实轴承信号高度相似的高精度模拟信号。其次，提出了一种基于Wasserstein生成对抗去噪网络（DeWGAN-GP）的物理-虚拟信号去噪方法。最后，通过轴承故障和疲劳退化实验验证了所提出的方法。实验结果表明，与其他非知识驱动方法相比，该方法能够充分利用轴承故障机制的知识，在强背景噪声下准确提取轴承的早期故障特征。

引言

滚动轴承是旋转机械中的重要组成部分，广泛应用于航空航天飞机、高速列车牵引驱动系统和风能转换系统等关键系统中[1]、[2]、[3]。随着这些系统复杂性和运行要求的提高，轴承经常承受高载荷和恶劣环境的影响，使其更容易发生初期故障[4]、[5]、[6]、[7]。然而，早期阶段的微弱故障特征常常被噪声掩盖，使得故障的检测和特征提取变得困难。因此，如何消除噪声干扰并增强微弱故障特征，特别是在故障初期，已成为一个挑战[8]、[9]、[10]、[11]。

现有的滚动轴承早期故障检测（EFD）中振动信号去噪方法主要分为两类[12]、[13]、[14]、[15]：信号处理方法和基于人工智能的方法。传统的信号处理方法，如小波变换（WT）[16]、经验模态分解（EMD）[17]、奇异值分解（SVD）[18]、随机共振[19]及其衍生方法，完全依赖于测量信号。例如，郭等人[20]提出了一种基于小波散射变换和改进的软阈值去噪方法，可以检测轴承的复合故障。尹等人[21]使用改进的集成噪声重构经验模态分解（IENEMD）和基于峰度设置的自适应阈值去噪（ATD）对滚动轴承进行了微弱故障特征提取。尽管这些方法在特定场景下有效，但它们的核心局限性在于参数敏感性和适应性不足：WT依赖于小波基函数的选择，而EMD容易发生模态混叠。特别是在复杂的复合故障场景中，由于SVD依赖于奇异值特性，当强背景噪声导致奇异值分布模糊时，难以有效提取故障脉冲信号。

此外，基于人工智能的方法也受到越来越多的关注，如迁移学习（TL）[22]、卷积神经网络（CNN）[23]和图卷积网络（GCN）[24]。Oppliger等人[25]展示了如何使用深度卷积神经网络对振动信号进行去噪，以准确提取微弱故障特征。谢等人[26]提出了一种基于改进的稀疏自编码器（MDS-ISAE）的多级去噪策略，用于早期多重间歇性故障检测。高等人[27]提出了一种基于多通道连续小波变换（MCCWT）和卷积特征循环神经网络（CFRNN）的新型长短期记忆（LSTM）算法，用于提取和诊断微弱故障特征。然而，在实际检测环境中，这些智能去噪方法虽然实现了高精度，但在不同工作条件下的可解释性和鲁棒性往往不足。

为了克服数据驱动方法在可解释性和泛化能力方面的局限性，数字孪生（DT）[28]技术作为一种有前景的范式应运而生，它将物理机制融入故障诊断过程。基于DT的方法旨在弥合物理实体和虚拟模型之间的差距，通过动态模拟生成标记的故障样本。然而，将当前的DT方法应用于强噪声下的早期故障去噪仍面临重大挑战[29]。首先，大多数现有的物理模型是基于理想的理论参数构建的，没有通过具体设备的测量数据进行校准[30]。这种差异导致模拟信号与真实世界信号之间的域偏移，使得物理知识无法有效发挥作用。其次，缺乏有效的物理知识与测量数据融合机制；简单扩展数据集并不能充分利用物理先验的去噪能力[31]。因此，迫切需要开发一种方法，既能通过校准确保模拟模型的高保真度，又能将物理知识有效整合到去噪网络中，从而从强背景噪声中提取微弱故障特征。

为弥补上述研究中提到的滚动元件轴承早期故障信号去噪的缺陷，本文提出了一种基于数字孪生的物理-虚拟去噪方法。该方法的主要思想如下：利用虚拟空间中不同物理实体应用的机械知识生成相应的模拟信号，并使用物理实体的测量信号验证模拟信号，从而解决了现有模型在鲁棒性和可解释性方面的不足，并实现了模型的泛化；然后通过对抗策略，在强噪声环境中将无噪声的模拟信号与测量信号融合，以去除噪声并突出故障特征。值得注意的是，尽管这种方法在融合物理知识和数据驱动去噪方面显示出潜力，但仍存在一些挑战。例如，数字孪生模型对未测量运行条件（如极端温度波动）的适应性可能会影响模拟信号的准确性，而基于对抗策略的算法计算复杂性可能限制其在高速旋转机械中的实时应用。这些局限性突显了持续模型优化的必要性，这将是我们未来研究的重点。表1列出了现有代表性方法的比较，并突出了所提出方法的独特之处。

本文的主要贡献如下：

(1)

提出了一种基于待检测轴承故障知识的数字孪生引导的物理-虚拟去噪方法，用于滚动元件轴承的早期故障检测。

(2)

根据待检测轴承的物理参数构建其数字孪生模型，并利用测量信号对其进行校正和更新，以生成具有完整标签的丰富模拟信号。

(3)

设计了一种新的去噪算法——基于Wasserstein生成对抗网络（DeWGAN-GP）和梯度惩罚的去噪方法，用于融合模拟信号和测量信号，以实现早期故障检测。

文章的其余部分安排如下：第2节描述了滚动元件轴承的机械知识建模和所提出方法的主要流程。第3节通过实验和其他方法的比较来验证所提出方法。第4节总结了结论。

方法介绍

提出的方法

本节将介绍所提出的用于滚动元件轴承早期故障检测的数字孪生引导的物理-虚拟去噪方法。该方法的具体细节如图1所示：

实验平台与数据描述

该数据集由西安交通大学提供，命名为XJTU-SY [40]。加速退化轴承测试台及相应的加速度计布局如图8所示。数据以25.6 kHz的采样频率获取。获得的振动信号以CSV文件的形式保存，例如2.csv、3.csv等，每个记录的数据集（例如a.csv文件）包含32,768个数据点的时间序列。在本节中，我们使用了三种不同工作条件下的数据集

结论与展望

本文提出了一种基于数字孪生的虚拟-真实去噪方法，用于滚动轴承的早期故障检测。选择了XJTU-SY数据集中的三种情况（转速为35/37.5 Hz，径向载荷为11/12 kN）和三种类型的故障（外圈故障、内圈故障和复合故障）进行验证。使用余弦相似度（阈值>0.6）校正动态模型，以生成高保真度的虚拟信号。结合DeWGAN-GP算法融合机械知识

CRediT作者贡献声明

乔子健：撰写 – 审稿与编辑、验证、监督、资金获取。宁思远：撰写 – 原始草案、验证、方法论、研究、资金获取、正式分析。盖亚楠：可视化、验证、监督。谢朝阳：验证、方法论、研究、正式分析。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（资助编号：52205569）、浙江省自然科学基金（资助编号：LMS26E050020）、中国留学基金委项目（资助编号：202409510012）、宁波市科技重大项目（资助编号：2025Z134）以及宁波大学的研究生科学研究与创新项目（资助编号：IF2024027）的支持。