用于轴承故障诊断的双分支时空图网络

监测旋转机械的健康状况

从风力发电机到工厂的输送机，众多机械都依赖轴承来支撑旋转轴。当轴承开始失效时，可能在不显眼中损坏设备、降低产能，甚至引发事故。本文提出了一种新的方法，用以聆听轴承的微弱振动，能够在噪声干扰和工况变化的情况下，及早且可靠地检测出故障。

为何轴承诊断如此困难

现代工业依赖长期在恶劣环境中运行的旋转机械。轴承处于这些系统的核心，其故障是导致非计划停机的主要原因。工程师早已尝试通过振动信号判断轴承健康，最初依靠人感与简单工具，随后采用更先进的信号处理，近来又引入机器学习与深度学习。然而，当转速变化、噪声强或只有少量故障样本时，这些方法仍然表现欠佳。一个问题在于，许多方法将振动数据视为简单的时间序列或图像，忽视了不同时间点与频率之间的丰富关联，而这些关联常常包含微弱的损伤信号。

将振动转换为相互连接的模式

作者提出了一种新视角：不把振动当作平面信号，而是将其视为随时间和频率演化的连接点网络。首先，他们将原始振动分割为短时段并应用短时傅里叶变换，将每段扩展为能量在时间与频率上分布的图谱。随后将这些图谱转换为凸显故障相关能量峰值的功率谱。每个处理后的样本成为“时空”网络中的一个节点，相似谱形的节点之间建立连接。这样的全连接结构保留了频率与时间瞬间之间的细微关系，有助于揭示早期或稀有故障的蛛丝马迹。

从两种视角同时学习

为分析该网络，研究者构建了双分支时空图网络（DBSGN）。其核心是专为图数据设计的一类神经网络，能够沿边传递信息并融合邻居节点的数据。团队采用了一种基于切比雪夫多项式和图拉普拉斯矩阵的数学高效图卷积变体，能够在不过度增加计算量的前提下捕捉多步邻域模式。关键在于，他们将学习分为两条独立分支：一条在所有样本上训练，用以捕获正常与故障行为的宏观模式；另一条仅在故障样本上训练，专注于区分不同类型与程度的更微妙特征。

让模型决定该信任哪条分支

由于正常与故障工况对模型的需求截然不同，简单地对两条分支取平均并非最佳选择。相反，作者引入了一种学习型注意力机制，它查看每个样本在两条分支的输出并为其分配自适应权重。对于明显健康的信号，融合更偏重于在全量数据上训练的分支；对明显的故障，则更强调故障专注分支；对边界或轻微故障，两者之间取得平衡。该融合与两条分支一同通过精心设计的联合损失函数进行训练，使整个系统协同工作，以提高从健康到严重损坏各类的识别能力。

在真实试验台上的验证

团队在三套广泛使用的轴承数据集上评估了DBSGN：凯斯西储大学（Case Western Reserve University）、帕德伯恩大学（Paderborn University）和渥太华大学（University of Ottawa）。这些试验平台覆盖了不同的机械、传感器、载荷、转速和缺陷类型，包括时变转速。在六项标准性能指标——准确率、精确率、召回率、F1分数、ROC曲线下面积和马修斯相关系数——上，该方法与一系列强基线相比表现相当或更优，基线包括传统机器学习流程、卷积神经网络、时序变换器以及早期的图方法。在一个数据集上，DBSGN甚至取得了完美的结果，正确识别了每个样本。对学习到特征的可视化表明，经过融合后，不同轴承工况形成了明显分离的簇，显示模型在数据中发现了清晰的内部结构。

这对日常机械意味着什么

简而言之，这项研究表明，将振动数据视为一个动态的关联事件网络，并让两个专门化模型相互权衡与融合，可以使故障诊断更准确、更稳定。对于工厂运行者和维护团队来说，这种系统有望提供更早且更可靠的轴承故障预警，减少意外停机，提升关键设备的运行安全。作者指出，目前的图构建与谱特征仍依赖若干手工调参的选择，未来工作可望自动化并丰富这些步骤。即便如此，双分支时空图方法仍是朝着更智能、更具弹性的旋转机械监测迈出的有希望的一步。

引用: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

关键词: 轴承故障诊断, 旋转机械, 图神经网络, 振动分析, 预测性维护