本文档属于类型a，即报告了一项原创性研究的学术论文。以下是针对该研究的详细学术报告：
主要作者及机构
本研究由吕帆（重庆交通大学信息科学与工程学院硕士研究生）、徐凯（重庆交通大学信息科学与工程学院教授，通信作者）、孙翔宇、吴仕勋共同完成，发表于《机床与液压》（Machine Tool & Hydraulics）期刊，网络首发日期为2025年12月25日。
学术背景
科学领域与研究动机
本研究属于机械故障诊断与人工智能交叉领域，聚焦于轴承故障诊断中的核心挑战：多工况下真实故障样本获取成本高、数据量不足，导致基于深度学习的诊断模型性能受限。传统仿真方法（如文献[6]的动力学模型）虽能生成振动信号，但多以数学抽象为主，缺乏对故障共性特征（如包络谱中的谱峰、边频带等）的精确建模，难以支撑高精度诊断任务。
理论基础与目标
研究团队基于赫兹接触理论（Hertzian contact theory）和轴承动力学建模，提出了一种物理机制驱动的数据生成方法（DRL-FSSG），结合深度强化学习（Deep Reinforcement Learning, DRL）优化故障特征参数，生成与真实信号包络谱特征对齐的合成数据。最终目标是通过“合成数据预训练-真实数据微调”的迁移学习框架，提升诊断模型在真实场景中的泛化能力。
研究流程与方法
1. DRL-FSSG信号生成方法
步骤1：无故障信号合成
-
动力学建模：将轴承系统抽象为质量-弹簧-阻尼（MSD）模型，结合赫兹接触理论建立非线性微分方程（式1-6），通过LSODA求解器数值求解无故障振动信号。
-
关键参数：滚动体数（9个）、接触刚度（7.05×10⁹ N·m⁻¹.⁵）、径向游隙（0.01 mm）等（表3）。
步骤2：故障激励响应机制
-
故障特征频率计算：基于轴承运动学公式（式7）计算内圈（BPFI）、外圈（BPFO）、滚动体（BSF）故障特征频率。
-
脉冲生成与调制：
-
通过相位累积法（式8）和随机扰动（式9）生成时序脉冲；
-
引入可学习的故障激励函数（式11-15），包括幅值调制、双共振峰高频调制（式13）和权重叠加（式15），模拟真实故障的包络谱特征（主峰、倍频、边频带）。
-
步骤3：DRL参数优化
-
环境设计：以包络谱故障特征频率处的谱峰强度为状态（式21），通过PPO算法（式16）优化故障激励参数（A₀, ΔA, ω₁, ω₂）。
-
奖励函数（式25-27）：基于谱峰与真实信号标准区间的误差距离设计，驱动智能体快速收敛至目标特征分布。
2. 诊断网络DSGFEN构建
-
特征编码：将包络谱转化为连续值递归图（CRPS，式28-31）和格拉姆差角场（GADFS，式32-34），保留时频域特征。
-
网络结构：
-
Stem模块：小波卷积层替代传统卷积，增强全局特征捕获；
-
多尺度残差块：结合3×3/5×5/7×7卷积核和方向敏感型卷积，适配CRPS/GADFS结构；
-
分类头：多头注意力机制提升分类精度。
-
3. 实验验证
数据集：采用CWRU轴承数据集（4种转速工况，10类故障标签，表1-2），对比DRL-FSSG生成数据与真实信号、传统仿真方法[6]的包络谱特征（图2-3）。
实验结果：
-
合成信号有效性：DRL-FSSG生成的信号在故障特征频率处谱峰与真实信号一致（图2a-c vs. 图2d-f），而传统方法缺失高阶特征（图2g-i）。
-
预训练贡献：使用10倍合成数据预训练后，DSGFEN在微调阶段准确率提升72.84%（图5），最终测试集准确率达99.19%（图11）。
-
模型对比：DSGFEN平均准确率（99.12%）优于MSRAN-ATE等现有方法（图8），特征可视化显示更清晰的聚类（图9 vs. 图10）。
结论与价值
科学价值：
-
方法创新：DRL-FSSG首次将物理机制建模与DRL结合，实现了故障特征频率的精确对齐，避免了传统仿真对显式高阶特征的依赖。
-
框架贡献：提出的“合成数据预训练-真实数据微调”框架，显著降低了对真实故障样本的需求，解决了小样本场景下的诊断难题。
应用价值：
-
工业设备维护：可应用于高成本或高风险环境（如航空发动机）的早期故障预警；
-
算法泛化性：DSGFEN在多工况下的稳定表现（99.12%准确率）证明了其工程适用性。
研究亮点
-
故障激励响应机制：通过可学习参数控制低频/高频能量分配（式15），首次实现了包络谱边频带特征的物理一致性建模。
-
DRL环境设计：以谱峰误差为奖励信号（式25），无需人工标注数据，提升了参数寻优效率。
-
迁移学习框架：DSGFEN通过CRPS/GADFS双通道编码，解决了仿真-真实域的特征分布差异问题。
局限性：研究未涉及变转速工况下的特征泛化性验证，未来可扩展至更复杂动态场景。
（全文约2000字）