基于多源物理信息融合的轮对轴承故障诊断方法学术研究报告
一、 研究作者、机构与发表信息
本研究由来自中国河北师范大学工程学院和数学科学学院的赵华 (Hua Zhao)、孙雪芹 (Xueqin Sun)、袁宗浩 (Zonghao Yuan，通讯作者)、陈家兴 (Jiaxing Chen)、辛涛 (Tao Xin)，以及友教云（河北）智能科技发展有限公司的齐志伟 (Zhiwei Qi) 共同完成。研究论文《Wheelset bearing fault diagnosis method based on multi-source physical information fusion》于2025年12月18日被接受，并于2025年12月31日在线发表于《Measurement Science and Technology》 期刊，卷37，文章编号026111。该期刊是测量科学与技术领域的知名国际期刊。
二、 学术背景与研究目的
本研究属于机械状态监测与故障诊断领域，具体聚焦于高速列车轮对轴承的健康管理。轮对轴承作为高速列车走行部的关键部件，长期在高速、重载的复杂工况下运行，极易发生故障。其故障若未能被及时识别，可能导致列车紧急停车甚至脱轨，造成重大经济损失和人员伤亡。因此，对轮对轴承进行及时、准确的故障诊断至关重要。
传统的故障诊断方法依赖于信号处理算法（如时频分析）提取特征，需要大量专家知识和复杂计算，且在强噪声和非线性信号环境下效果受限。基于深度学习的方法，如卷积神经网络（CNN）、循环神经网络（RNN）等，因其强大的自动特征提取能力，已成为研究热点。然而，现有方法在面对列车实际运行中普遍存在的转速时变（如启动、制动、负载波动）工况时，诊断性能显著下降。这是因为转速变化会导致振动信号的频率特性发生改变，使得模型在固定转速下训练的特征分布与变转速下的测试数据不匹配，即缺乏“转速适应性”。
大多数现有的一阶段数据融合方法虽然尝试融合振动信号与转速（键相）信号，但通常缺乏有效的转速归一化机制或固定的融合结构，难以在不同转速间对齐特征。针对这些局限性，本研究旨在解决一个核心科学问题：如何构建一个能够有效融合振动与转速信息，并自适应于转速变化的智能诊断模型，以提升轮对轴承在时变转速工况下的故障诊断精度与鲁棒性。 具体目标包括：1）提出一种振动-转速数据融合方法以增强模型对转速变化的适应能力；2）设计一种能够自动构建样本间关系图（Graph）的递归图自编码器（RGAE），以挖掘融合特征间的空间结构信息；3）提出一个端到端的多源物理特征图注意力网络（MPF-GAT），综合上述信息实现高精度的故障诊断。
三、 详细研究流程与方法
本研究的工作流程是一个完整的端到端智能诊断框架，主要包含数据采集、特征提取与融合、图结构构建、以及最终的图网络分类四个核心阶段。
1. 数据采集与数据集构建： 研究团队使用高速列车轮对轴承综合试验台（如图5所示）采集数据。试验台可模拟不同的转速、轴向载荷和径向载荷。通过更换具有不同故障类型的轴承（内圈故障IR、外圈故障OR、滚动体故障RE、正常状态NC，如图7所示），在50、100、150、200、300 km/h五种恒定转速下采集振动信号和键相（Key-phase）信号，采样频率为12.8 kHz，每个样本包含1024个数据点。总共构建了包含10,000个样本的数据集（Data set A），其中70%用于训练，30%用于测试。此外，为了测试模型抗噪性，还构建了信噪比（SNR）分别为-2 dB和-5 dB的加噪数据集（Data set B和C）。为了评估转速适应性，进一步构建了模拟列车加速、减速和负载波动三种时变转速工况的数据集（Data sets D, E, F）。最后，为了验证模型在更复杂、更接近真实轨道环境下的性能，还使用了一个包含更高噪声和更强非平稳特性的转向架（Bogie）数据集进行了额外验证。
2. 振动-转速数据融合与特征编码： 这是模型的第一阶段。原始的一维振动信号和键相信号分别输入两个结构相同但参数独立的一维卷积神经网络（1D-CNN） 通道进行初步特征提取。1D-CNN通过卷积核在时间序列上的滑动，自动学习信号中的局部模式特征，并通过池化层降维。随后，将两个通道提取出的特征序列进行交错拼接，形成一个融合了振动故障信息和转速信息的联合特征矩阵。为了在此融合特征中突出关键信息并抑制冗余，研究引入了自注意力机制（Self-Attention Mechanism）。该机制通过计算特征序列内部元素之间的相关性（Query, Key, Value运算），为不同位置的特征分配不同的权重，从而增强对重要特征的关注。最后，采用全局平均池化（Global Average Pooling, GAP） 对加权后的特征序列进行压缩，得到一个固定维度的、融合了多源信息的紧凑特征表示。这一过程有效建立了振动特征与转速特征的对应关系，为后续处理奠定了基础。
3. 递归图自编码器（RGAE）构建样本关系图： 这是本研究的创新核心之一，旨在从上述融合特征中自动学习并构建描述样本间相似性关系的图结构，而非依赖手动定义的规则（如ε-递归网络）。RGAE是一种基于深度神经网络的非监督学习模型，包含编码器和解码器。编码器部分与前述特征提取网络共享结构，将一批样本的融合特征映射到一个低维的潜在空间表示。解码器则设计为一系列反卷积层，其目标不是重建原始信号，而是重建一个能反映样本间递归关系的邻接矩阵（Adjacency Matrix）。在训练过程中，首先使用传统的ε-递归网络基于原始振动信号生成一个参考的加权邻接矩阵A（作为监督信号）。然后，RGAE尝试从其潜在表示中解码出重建的邻接矩阵Â。通过最小化A与Â之间的均方误差（MSE）损失，RGAE的编码器被迫学习能够捕捉样本间递归关系的潜在特征，而其训练好的解码器则被固定下来，作为后续MPF-GAT模型中的“图构造层”。这使得模型能够从数据中自适应地学习并生成适用于当前任务的最优图结构，增强了模型对不同工况和噪声的鲁棒性。
4. 多源物理特征图注意力网络（MPF-GAT）进行最终诊断： 这是模型的最终分类阶段。MPF-GAT接收两个输入：1) 来自第一阶段GAP层输出的融合特征矩阵X（节点特征）；2) 来自RGAE图构造层生成的样本关系邻接矩阵A（图结构，描述节点间的连接强度）。该网络的核心是一个图注意力网络（Graph Attention Network, GAT），具体采用了多核高斯对称图注意力（MSG-GA）层构建的残差模块（ResGATNet）。图注意力机制允许每个节点（即一个样本）根据其邻居节点（通过邻接矩阵A定义）的特征来动态聚合信息，并且通过注意力权重来区分不同邻居的重要性。这样，模型不仅利用了每个样本自身的多源融合特征（X），还利用了整个数据集中样本间的空间关联信息（A），从而能够更好地拟合不同转速下样本特征的分布变化，实现转速自适应的故障诊断。网络的最终输出通过一个全连接层映射到故障类别（IR, OR, RE, NC），并使用交叉熵损失（Cross-Entropy Loss） 进行训练优化。
四、 主要研究结果与分析
本研究通过一系列对比实验、鲁棒性测试、转速适应性验证和消融实验，全面评估了所提MPF-GAT模型的性能。
1. 诊断准确性对比实验： 在Data set A（无噪声，多恒定转速）上，MPF-GAT与五种主流模型进行了对比，包括仅使用振动信号的WDCNN、两阶段的阶次跟踪1D-CNN（OT-1DCNN）、以及三种端到端融合模型（ASANN, 1DCNN-BDF, Att-GNN）。结果（表5，图8）显示，MPF-GAT取得了压倒性的优势：最高准确率99.8%，最低98.6%，平均准确率99.2%，标准差仅0.40%。而其他模型平均准确率在74.6%至89.6%之间，且波动性更大。配对样本t检验结果（表6）表明，MPF-GAT相对于所有对比模型的性能提升均具有统计显著性（p值远小于0.05）。混淆矩阵和特征可视化图（图9-14）进一步证实，MPF-GAT几乎无错分，且其学到的特征在低维空间中类别分离度最高，聚类最清晰。
2. 噪声鲁棒性测试： 在强噪声数据集（Data set B: -2 dB; Data set C: -5 dB）上的实验结果（表7，图15-16）表明，所有模型的准确率均有下降，但MPF-GAT的下降幅度相对最小，在-5 dB的极端噪声下仍能保持平均96.2%的准确率，显著高于其他模型（73.4%-84.6%）。这证明了该模型所融合的多源信息及图结构学习机制能有效抑制噪声干扰，具备良好的工程实用性。
3. 转速适应性验证： 在模拟加速、减速、负载波动三种时变转速工况的数据集（Data sets D, E, F）上的测试结果（表9，图18）至关重要。MPF-GAT在三种工况下的平均准确率分别达到97.3%、97.2%和97.5%，表现极其稳定。而其他模型，尤其是未考虑转速信息的WDCNN，准确率大幅下降至69.0%-73.6%。即使是其他融合模型，其准确率也普遍低于在恒定转速下的表现。这直接证明了振动-转速数据融合策略与图注意力机制相结合，能够有效提升模型对转速变化的适应能力。在更复杂、噪声更高的转向架数据集上的验证（表11，图21）进一步巩固了这一结论，MPF-GAT平均准确率仍高达96.6%-97.1%，展现了强大的泛化能力。
4. 图构造层有效性分析： 研究对比了RGAE与三种传统图构造方法（ε-RN, VGs, TNs）的性能（表12）。结果显示，基于RGAE构造的图在MPF-GAT中取得了最高的诊断准确率（99.2%）和最低的标准差（0.40）。这表明，通过数据驱动方式自动学习样本关系图，比基于固定规则的手工构图方法更能捕获对故障诊断任务有益的结构信息，从而提升了模型的整体性能。
5. 消融实验（Ablation Study）： 为了剖析MPF-GAT中各模块的贡献，研究进行了消融实验（表13，图22）。分别移除了自注意力机制、全局平均池化（GAP）和图构造层。结果显示：移除自注意力机制导致准确率下降4.5%，说明其对建模长距离特征依赖至关重要；移除GAP导致准确率下降3.8%，说明其对全局特征汇总和防止过拟合有重要作用；移除图构造层导致准确率下降最显著（6.1%），这强有力地证明了利用样本间关系图来建模复杂信号关联、适应转速变化是MPF-GAT成功的关键。这些结果逻辑清晰地串联起来：自注意力机制和GAP优化了单一样本内部的特征表达，而RGAE构建的图则建立了样本间的空间关联，三者协同工作，缺一不可，共同实现了高精度的转速自适应故障诊断。
五、 研究结论与价值
本研究成功提出并验证了一种名为多源物理特征图注意力网络（MPF-GAT） 的新型故障诊断框架，用于解决高速列车轮对轴承在时变转速工况下的故障诊断难题。核心结论是：通过融合振动与键相信号，并引入自注意力机制与全局平均池化进行特征优化，再结合递归图自编码器（RGAE） 自动构建样本关系图，最后利用图注意力网络（GAT） 同时利用节点特征和图结构信息，可以显著提升诊断模型对转速变化的适应能力、抗噪声干扰的鲁棒性以及最终的分类精度。
本研究的科学价值在于：1）提出了一种新颖的“振动-转速数据融合”范式，并形式化了自注意力与GAP在该范式中的应用，为多源信息融合诊断提供了新思路；2）创新性地设计了RGAE，实现了从数据中自动学习任务最优图结构，避免了手工构图的局限性，丰富了图神经网络在故障诊断中的应用方法；3）构建了一个完整的、端到端的MPF-GAT模型，将特征学习、关系挖掘与分类决策统一在一个框架内，为处理非平稳、时变工况下的机械故障诊断问题提供了一个强有力的解决方案。
其应用价值显著：所提方法在实验室数据和更接近实际的转向架数据上均表现出色，诊断准确率高且稳定，为解决高速列车在实际运行中因速度变化导致的轴承故障诊断性能下降问题提供了切实可行的技术路径，对保障轨道交通运营安全具有重要的工程意义。
六、 研究亮点
七、 其他有价值内容
研究还提及了所使用的具体实验环境（Python 3.8, PyTorch 1.10）和硬件配置（NVIDIA GTX 2080 GPUs等），确保了实验的可复现性。同时，论文声明数据因属于第三方所有而无法公开，但可根据合理请求从作者处获取，这符合一些工业数据研究的惯例。此外，研究获得了中国国家自然科学基金和河北师范大学科研基金的资助，并声明无利益冲突。这些信息均符合规范学术论文的发表要求。