基于多源特征融合网络与结构化剪枝的港口起重机轴承轻量级故障诊断

《Actuators》：Lightweight Fault Diagnosis of Port Crane Bearings Based on Multi-Source Feature Fusion Network and Structured Pruning

　　

电机轴承的运行健康状态对港口门座式回转起重机的运行安全至关重要。然而，在强噪声且转速时变的恶劣工业环境下，现有轴承故障诊断方法仍存在单传感器信号故障特征提取不完整及多源融合模型参数量过大难以适应边缘部署的问题。针对上述问题，本文提出一种融合针对性结构化通道剪枝的多源特征融合轻量级网络（Multi-source Feature Fusion Lightweight Network, MTFL-Net）。首先，通过差异化时频变换对振动信号与电流信号进行预处理并转换为二维时频图，以充分保留瞬态冲击与频谱故障特征；其次，设计嵌入残差连接、多尺度卷积及通道注意力门控的多分支特征提取架构，以缓解特征退化并自适应增强故障敏感特征；第三，对特征提取分支进行针对性结构化通道剪枝，在去除冗余通道的同时保留多源融合逻辑与核心特征提取结构。在两个公开轴承数据集上的实验表明，原始模型诊断精度达99%，剪枝后模型精度仍保持在95%。结果表明，MTFL-Net在显著减小模型尺寸与计算成本的同时能保持较高的诊断精度。

论文解读：基于多源特征融合与结构化剪枝的港口起重机轴承轻量级故障诊断方法（MTFL-Net）

一、研究背景与意义

港口门座式回转起重机驱动电机中的深沟球滚动轴承（rolling bearing）常在重载冲击、强电磁干扰及高湿环境下连续工作，易发生磨损、剥落、裂纹及点蚀等故障。早期故障的微弱冲击特征易被强工业噪声及健康部件振动响应淹没，传统基于人工经验与先验知识的信号处理方法（时域统计、频域谱分析、小波变换等）在非平稳变工况下特征有效性显著下降。常规机器学习方法（随机森林 RF、支持向量机 SVM、极限学习机 ELM）存在特征提取耗时、泛化能力弱等问题。现有深度学习方法多依赖单一振动信号，受传感器安装限制及设备基础共模噪声影响易丢失关键信息；虽有多传感器融合（数据级、特征级、决策级）可弥补单传感器局限，但现有多源融合模型参数量大、计算复杂度高，难以部署于算力与内存受限的边缘计算设备（edge device）。模型轻量化策略中，结构化通道剪枝（structured channel pruning）因保留完整网络拓扑且硬件兼容性好成为优选，但传统全局结构化剪枝不分功能差异地修剪所有卷积层，易破坏多分支网络的注意力模块、残差连接及融合逻辑导致精度严重退化。为此，研究人员提出了一种集成差异化时频预处理、多分支异构特征提取及针对性结构化通道剪枝的多源特征融合轻量级网络（MTFL-Net, Multi-source Feature Fusion Lightweight Network），并在《Actuators》发表研究成果。实验表明原始模型诊断精度达99.87%，经60%剪枝后参数量压缩至3.28 M、FLOPs降至292.09 M、单样本推理时间2.88 ms且精度仅下降约3.13%，满足工业边缘部署实时要求。

二、主要关键技术方法

研究人员选用帕德博恩大学（Paderborn University, PU）轴承数据集（含6203深沟球轴承，8种状态：外圈单点损伤KA03/KA15、内圈单点损伤KI01/KI07/KI21、内外圈复合损伤KB27、健康K003/K004；含振动、电流、转速信号；1024点无重叠滑动窗口切片，每类2000样本，7:2:1划分）与韩国科学技术院（KAIST）变转速轴承数据集（680–2460 RPM，健康/内圈故障/外圈故障/滚动体故障四态，每类3000样本，相同划分）进行验证。关键技术包括：(1) 差异化时频预处理——振动信号采用3层Daubechies4小波包分解（Wavelet Packet Decomposition, WPD）结合短时傅里叶变换（Short-Time Fourier Transform, STFT），按轴承故障特征频率（BPFO、BPFI、BSF、FTF）及其1–5次谐波能量贡献率筛选前5个核心频带生成64×64时频图；电流信号采用集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）与希尔伯特变换（Hilbert Transform, HT）生成时频图；转速信号重采样插值后经全连接层映射为512维高维特征向量作为工况辅助信息；(2) 多分支特征提取——振动分支基于深度可分离卷积与多尺度并行卷积结合通道注意力（channel attention）与残差连接；电流分支采用四级卷积-池化序列配合通道注意力与残差；各分支输出维度匹配后沿通道拼接融合；(3) 融合特征经全连接层与ReLU激活降维后由Softmax分类，损失函数为标签平滑交叉熵；(4) 针对性结构化通道剪枝——仅对振动与电流分支的基础特征提取卷积层按权重L1范数排序修剪（最优剪枝率60%，保留前40%），完全保留通道注意力模块、残差连接、转速分支、特征融合层及分类头，剪枝后以小学习率微调恢复精度。

三、研究结果

3.1 实验环境与参数设置

所有实验于Windows 11、Intel Core i9-14900HX、NVIDIA RTX 4090 48G、PyTorch 2.7.0+cu128环境下完成。训练轮次100、批次32、优化器AdamW（初始学习率1×10^-3、权重衰减1×10^-4、余弦退火调度）、标签平滑因子0.1；剪枝后微调学习率1×10^-4、轮次20。评价指标为准确率、可训练参数量、浮点运算次数（FLOPs）及单样本推理时间，结果为10次独立重复均值。

3.2 实验组A（PU数据集）

3.2.3 实验结果分析

MTFL-Net原始模型在PU数据集上诊断准确率达99.87%，优于对照模型WDCNN、ResNet18、CWT-AA-ResNet、SWT-MCNN、ConvNeXt-Tiny及TinyViT。原始模型参数量8.17 M、FLOPs适中，较通用轻量视觉模型在相近或更小参数量下精度提升显著（较TinyViT高5.7%、较ConvNeXt-Tiny高3.55%）。经60%针对性结构化通道剪枝后，模型压缩至3.28 M参数、292.09 M FLOPs，单样本推理2.88 ms，精度降幅仅3.13%（仍达96.74%）。剪枝后模型体积12.6 MB、运行时内存约18 MB、CPU峰值利用率低于35%，满足港口工业控制计算机边缘并发部署需求。

3.2.4 混淆矩阵分析

MTFL-Net对单点损伤样本实现100%正确识别，对内-外圈复合损伤样本识别率99%（仅2样本误分），整体混淆矩阵表现优于所有对照模型。对照模型中传统CNN对早期弱故障误分较多，通用轻量模型对复合故障与弱故障区分能力不足，验证了多源特征融合结构与通道注意力机制对弱故障与复合故障特征表征的有效性。

3.3 实验组B（KAIST变转速数据集）

3.3.2 实验结果与分析——不同信噪比(SNR)下变工况诊断精度

在原始数据及SNR=30 dB、20 dB、10 dB、0 dB高斯白噪声下测试，所有模型精度随SNR降低而下降。原始MTFL-Net在各SNR水平下均保持最高精度，0 dB强噪声变工况下仍达93.36%；剪枝后MTFL-Net在0 dB下达90.41%，优于所有对照轻量模型。单信号输入的CWT-AA-ResNet与SWT-MCNN在0 dB时分别降至87.93%与85.74%，降幅超10%。结果表明多源融合框架、差异化时频预处理及通道注意力能有效捕获非平稳强干扰下的稳定故障特征。

3.3.3 混淆矩阵分析

MTFL-Net对各故障类型识别率均超95%（正常99.2%、内圈故障98.7%、外圈故障97.5%、滚动体故障95.3%），误分主要出现在滚动体故障与外圈故障间（符合变转速下滚动体故障特征频带混叠实际规律）。对照模型对滚动体故障识别率明显偏低（CWT-AA-ResNet 91.2%、SWT-MCNN 88.5%）。剪枝前后各模态通道保留均匀（振动分支42%、电流分支38%），各故障类型精度降幅控制在3.2%以内，证明针对性剪枝策略优先保留了故障敏感通道并完整保留了多源融合逻辑。

3.3.4 变工况消融实验(Ablation Study)

移除多源融合（仅单振动信号）导致精度降幅最大；移除转速信号输入精度下降4.00%，证实转速工况信息助模型适应转速波动；移除残差连接与通道注意力分别致精度下降5.72%与2.79%，说明残差缓解深层网络特征退化、通道注意力增强故障敏感特征之作用。将转速统一归一化至1500 RPM输入时精度降至92.42%（低于无转速输入时的93.15%），说明转速信号核心价值系提供变工况下特征先验分布以区分转速波动与真实故障引起的特征变化，固定工况下转速信号反引入冗余维度。

四、讨论与结论总结（翻译/浓缩结论部分）

为解决港口门座起重机轴承故障诊断中强背景噪声、非平稳工况、单传感器信息缺失及多源融合模型难边缘部署等核心难题，研究人员提出MTFL-Net。本研究创新体现在三方面：第一，构建含差异化时频预处理的振动、电流及转速多源信号融合框架，充分保留故障瞬态冲击、电磁响应及工况关联特征，突破单传感器信息局限；第二，设计集成残差连接、多尺度卷积及通道注意力(Channel Attention)的多分支特征提取结构，缓解深层网络特征退化并通过通道注意力自适应增强故障敏感特征权重；第三，提出面向多分支融合网络的有针对性结构化通道剪枝策略——仅修剪振动与电流分支特征提取卷积层冗余通道，完整保留注意力模块、残差连接、多源融合层及分类头，在实现参数压缩的同时较好维持故障诊断精度，解决了多源特征融合与模型轻量化的矛盾，为模型在港口实际场景边缘端部署提供可行方案。研究局限性在于当前仅融合振动、电流、转速信号未纳入温度与声发射等模态；剪枝率为手动预设缺乏工况自适应调整；鲁棒性基准仅基于高斯白噪声未模拟真实港口脉冲机械噪声与电磁干扰且未在实机现场验证。未来研究将采集在役港口起重机真实数据验证优化模型，扩展至多源信号（温度、声发射）融合并探索自适应结构化剪枝方法，并将MTFL-Net框架拓展至轴承剩余使用寿命(RUL)预测。