基于STFT-统计特征融合与AL-SOA优化装袋树的滚动轴承故障诊断方法

保持机器轴承健康为何重要

从风力发电机组到列车和飞机发动机，无数机械依赖滚动轴承保证旋转部件平稳运转。当这些轴承开始失效时，后果可能包括昂贵的停机甚至危险事故。本文提出了一种更智能、轻量的方法，通过振动信号“倾听”轴承，在噪声环境、工况变化和计算资源有限时仍能发现早期损伤迹象。

用两种互补方式监听振动

作者关注轴承在内圈、外圈或滚动体开始磨损或开裂时振动信号如何变化。他们没有依赖单一视角，而是结合了两种简单但有效的表征。一种是短时频率视图，它揭示能量随时间在特定频率处的聚集，对缺陷引起的周期冲击特别敏感；另一种是六个紧凑的时域统计量（例如平均值、离散程度和“尖锐性”），用于捕捉运动的无规则性或能量特征。两者结合比单独任何一种都能更全面地反映轴承内部状况。

清理、聚焦与融合信号信息

真实设备很少在无噪声的实验室条件下工作，因此方法以仔细的信号预处理开始。原始振动信号去直流、带通滤波以保留轴承故障最具信息量的频段，并用小波去噪以保留短促的冲击事件。随后用重叠时窗将连续信号切成短而可重复的片段，每段大约代表五分之一秒的运动。对每个片段提取频域模式和六个时域度量并进行归一化，使差异更多反映轴承行为而非整体能量变化。

让数据决定什么最重要

作者没有通过固定权重来决定应信任哪类特征，而是引入了一个小型“注意力”单元，学习强调在区分不同故障类型时最有用的频段和统计量。概念上，该单元像一个聚光灯：当某些频带和统计特征与已知缺陷特征一致时将其增强，而对主要含噪的部分予以抑制。自适应融合之后，使用主成分分析这一标准工具将每段的262维描述压缩为更小的集合，同时尽量保留有用变异。此步骤去冗余、加速学习并帮助避免过拟合，而对准确率影响不明显。

构建与调优高效的决策森林

在最终判定阶段，作者摒弃了重量级的深度网络，而采用了决策树集成（bagging）。每棵树学习将压缩后的特征空间划分为与特定故障类型或健康状态相关的区域，集成通过投票给出最终标签。不同之处在于森林结构的选择：团队没有盲目猜测树的数量和深度，而是使用一种受海鸟群体觅食与猎捕行为启发的基于群体的搜索算法。这种自适应群体在探索模型参数组合时同时平衡三个目标：提高分类准确度、保持森林紧凑性和缩短训练时间。兼顾这些目标的解构成了一个“前沿”，从中可选出实用的运行点。

在不同试验台上的稳健性验证

完整流程——预处理、双视角特征提取、基于注意力的融合、压缩与优化树集成——在三套不同的轴承试验台上进行了测试：两个公开知名数据集和一个定制实验系统。在这些多样化条件下，该方法始终能以约97–99%的准确率识别轴承故障。严谨的消融实验表明，每个关键组成部分都很重要：去掉注意力模块、多目标优化器或压缩步骤都会使性能略降，而仅使用单一特征类型在噪声和负载变化下可靠性显著下降。

对现实工业设备的意义

对非专业读者而言，关键信息是作者构建了一种诊断方法：它结合了简单、可解释的模块——基础信号预处理、两种直观的振动视角和透明的决策树——同时用注意力机制和群体式搜索这样的现代思想去协调这些模块的协作。其结果是一个准确、较易解释且足够轻量的监测方案，可在靠近设备的位置运行，能在噪声、工况多变且计算能力受限的情况下，及时发现早期故障信号，防止小问题演变为故障。

引用: Bai, H., Tong, W., Duan, C. et al. Rolling bearing fault diagnosis method based on fusion of STFT-statistical features and AL-SOA optimized bagging tree. Sci Rep 16, 10314 (2026). https://doi.org/10.1038/s41598-026-37914-z

关键词: 滚动轴承故障诊断, 振动信号分析, 基于注意力的特征融合, 集成学习, 群体优化