学术研究报告：基于模型与网络双驱动的屏蔽电机泵不平衡数据故障诊断框架

一、研究团队与发表信息
本研究由上海交通大学机械系统与振动国家重点实验室的Taibo Yang（第一作者）、Jintao Yao、Qingbo He（通讯作者）、Zhike Peng（通讯作者），以及中国核动力研究设计院核反应堆技术国家重点实验室的Jiaxin Liu共同完成，发表于Advanced Engineering Informatics期刊（2025年68卷，文章编号103615）。研究聚焦核电领域关键设备屏蔽电机泵（Canned Motor Pump, CMP）的故障诊断问题，提出了一种名为MODNetsync的创新框架，解决了小样本不平衡数据下的诊断难题。

二、学术背景与研究目标
科学领域：本研究属于机械故障诊断与数字孪生（Digital Twin）交叉领域，涉及信号处理、深度学习和动态建模技术。
研究动机：CMP因其全封闭结构导致故障样本稀缺，传统数据驱动方法（如深度学习）因依赖大量标注数据而失效，而基于物理模型的仿真数据与真实信号存在分布差异。
研究目标：提出融合虚拟-现实协同优化（VRCO）和多感受野特征提取（MDCNN）的双驱动框架，实现小样本条件下的高精度故障诊断。

三、研究流程与方法
1. 数学建模与故障仿真
- 对象：CMP的转子-壳体系统，包含健康状态及三种典型故障（转子质量不平衡RMU、滑动轴承局部磨损LW、定子-转子摩擦RSR）。
- 方法：
- 建立Timoshenko梁模型（式1）描述转子动力学，结合流体激励模型（式2）模拟壳体振动响应。
- 通过修改几何参数（如轴承磨损弧长θ_s~θ_f）和力学行为（如摩擦系数μ）生成故障仿真信号。
- 创新点：首次将界面流场力作为振动传递的关键介质纳入模型，提升仿真真实性。

2. 虚拟-现实数据融合（VRCO）
- 数据来源：实测振动信号（4个测点，采样频率50 kHz）与仿真信号。
- 核心步骤：
- 小波阈值去噪（式9-15）提取真实噪声，通过全局分布优化函数（式19-20）计算最优噪声强度ε*=0.483，生成融合信号。
- 评估指标：Wasserstein距离（WD）整体降低64.71%，RMSE平均下降42%。
- 创新点：突破传统高斯噪声注入的局限性，实现故障模式特异性噪声适配。

3. 多感受野特征提取（MDCNN）
- 网络结构：3分支扩张卷积（Dilated Convolution），扩张率分别为1/2/3，结合批归一化（BN）和最大池化。
- 训练数据：融合信号（500样本/类）与少量实测数据（20样本/类）。
- 超参数优化：网格搜索确定分支数（3）和扩张率组合（[1,2,3]），在保证95%准确率下降低计算成本（18.12秒 vs. CNN的27.62秒）。

四、主要结果与逻辑链条
1. 模型验证
- 频率域特征对比显示，仿真信号与实测信号在故障特征频率（如RMU的转频谐波）上一致性达90%以上（图8），验证模型有效性。

2. 数据融合效果
- 融合信号WD从215.36降至76.01（图11），分类准确率提升22.5%（70%→92.5%），证明VRCO显著缩小虚拟-现实分布差距。

3. 诊断性能
- 单类小样本：LW故障诊断率从15%提升至70%（图12-13）。
- 全局小样本：整体准确率从66.25%提升至90%（图15），特征空间分布分离度显著改善。
- 对比实验：MDCNN优于传统CNN（+20%准确率）和LSTM（+3.75%），且计算效率更高（表3）。

五、结论与价值
科学价值：
1. 提出首个CMP双驱动诊断框架，融合物理模型与数据驱动优势，为封闭机械系统小样本诊断提供新范式。
2. 全局噪声优化理论解决了仿真数据分布偏差问题，WD降低64.71%。
应用价值：可推广至核电、化工等高风险领域的故障预警，减少非计划停机损失。

六、研究亮点
1. 方法创新：VRCO-MDCNN双驱动架构，兼具物理可解释性与数据适应性。
2. 技术突破：
- 基于Wasserstein距离的噪声优化（式20）替代经验性噪声注入。
- 多分支扩张卷积（图5）实现多尺度特征提取，无需增加参数量。
3. 工程意义：在CMP实测数据稀缺条件下，诊断准确率突破90%，优于GAN生成（如WGAN仅67.5%）和传统增强方法（表4）。

七、其他贡献
- 公开了CMP故障实验台设计细节（图7），包括故障模拟方法（如RSR通过撞击屏蔽套模拟），为后续研究提供基准数据。
- 代码与参数开源（如MDCNN结构表2），推动领域复现与改进。

（全文共计约2000字）