物理特征融合的半监督小样本滚动轴承故障诊断

摘要

轴承故障诊断能够有效预防设备故障、提高生产效率、降低维护成本.传统的故障诊断方法依赖于大量标注数据，但实际数据稀缺问题限制了其实际应用，无监督学习方法虽然不依赖大量标注数据，但诊断效率较低.针对这一问题，本文结合改进的分布对齐与数据增强半监督学习框架，提出了基于物理特征融合的半监督小样本轴承故障诊断方法.利用希尔伯特变换等对轴承振动信号进行处理获得包络信号，从包络信号中提取多个物理特征，运用特征相关性与强度分析筛选最具预测效果的特征集.采用多尺度残差模块进一步优化网络结构，并在分类阶段引入物理先验正则约束，对分类权重的学习过程进行引导，从而增强模型决策结果与物理机理的一致性.基于此，设计了物理特征融合的半监督学习模型，对传统ReMixMatch框架中的弱增强与强增强模块进行改进.结果表明，所提方法在小样本条件下具有优异的性能，平均诊断准确率达到95.4%,F1分数的平均值为95.4%，明显较无监督与其他半监督方法有更好的诊断精度和鲁棒性，对滚动轴承健康监测应用具有重要的意义.

关键词

轴承故障诊断 / 小样本 / ReMixMatch半监督 / 物理特征 / 复合故障 / 数据增强

基金资助

国家自然科学基金（52365011）; 甘肃省青年科技基金项目（24JRRA972）; 甘肃省高校青年博士支持项目（2025QB-031）; 甘肃省高校研究生“创新之星”项目（2026CXZX-556）