论文题目Classifier-guided neural blind deconvolution: A physics-informed denoising module for bearing fault diagnosis under noisy conditions分类器引导的神经盲反卷积面向噪声环境轴承故障诊断的物理信息去噪模块期刊Mechanical Systems and Signal Processing2025摘要盲反卷积BD已被证明是一种有效的方法能够从强背景噪声下的振动信号中提取轴承故障特征。尽管 BD 具有良好的自适应能力和数学可解释性但仍存在一个重要挑战如何将 BD 与故障诊断分类器有效结合这一问题较难解决因为传统 BD 仅针对特征提取而设计拥有独立的优化器和目标函数。当 BD 与下游深度学习分类器结合时不同的学习目标容易发生冲突。为解决这一问题本文提出分类器引导的神经盲反卷积ClassBD联合学习基于 BD 的特征提取和基于深度学习的故障诊断。为此作者首先构建时域与频域神经 BD利用神经网络实现传统 BD从而使 BD 与深度学习分类器能够无缝集成并协同优化模型参数。该神经 BD 包含两个滤波器1时域二次滤波器利用二次卷积网络提取周期性脉冲2频域线性滤波器由全连接神经网络构成用于增强离散频率分量。随后作者构建由深度学习分类器驱动的统一框架以指导 BD 滤波器学习。此外作者设计了由峭度、() 范数和交叉熵损失组成的物理信息损失函数用于联合优化 BD 滤波器与深度学习分类器。通过这种方式故障标签能够被充分利用引导 BD 在强噪声中提取具有类别区分性的特征。据作者所知这是首次成功将 BD 应用于轴承故障诊断。来自三个不同数据集的实验结果表明在噪声条件下ClassBD 优于其他先进方法。源码GitHub - asdvfghg/ClassBD · GitHub一、研究背景与核心问题去噪不等于诊断轴承故障常表现为重复瞬态冲击但传感器采集到的振动信号还混有传递路径振动、其他部件的周期成分和环境噪声导致内圈、外圈、滚动体故障及不同损伤程度难以区分。传统盲反卷积Blind DeconvolutionBD学习自适应滤波器以突出故障相关的周期冲击。以 MED 为例它最大化输出信号的峭度来寻找冲击但峭度只关注“是否有尖峰”并不判断尖峰是否有助于区分类别随机冲击也可能被放大。因此本文的关键矛盾是BD 旨在恢复故障特征分类器旨在区分类别独立优化时两者目标可能不一致。作者将 BD 实现为可训练的神经网络模块并放在分类器前端让故障标签反过来指导滤波器学习。二、方法整体框架ClassBD 如何串起去噪与分类论文 Figure 1ClassBD 整体框架——时域二次滤波、频域线性滤波与分类器的联合训练。(a) 时域滤波器由两层对称的二次卷积神经网络QCNN构成用于时域故障诊断(b) 频域滤波器由一个全连接层组成用于频域故障诊断(c) 从全连接层输出的特征被提取用于计算包络谱ES而包络谱对于构建目标函数至关重要(d) 频域线性滤波器的输出则送入深度学习分类器以得到分类结果。流程为原始振动信号 → 时域二次卷积滤波器 → 频域线性滤波器 → 一维分类器 → 故障类别。输入片段长度为 (1×2048)。时域滤波器用两层对称 QCNN先映射到 16 个通道再融合为单通道频域模块依次执行 FFT、全连接线性滤波和 IFFT。主实验采用 WDCNN另测试 ResNet、MobileNetV3 和 Transformer。滤波器与分类器通过统一损失端到端更新。三、核心模块一为什么时域滤波器要使用二次卷积网络3.1 普通卷积与 QCNN 的区别普通卷积学习输入的线性组合再通过激活函数引入非线性QCNN 则显式加入二次项。本文采用其中(*) 表示卷积() 表示逐元素乘法() 为可学习卷积核。乘积项建立二阶关系平方项刻画局部能量帮助模型利用周期性统计特征。作者将故障信号近似为周期冲击与随机噪声的叠加。在故障与噪声不相关、噪声不具有相应周期性的假设下二次运算中的相关项有助于突出故障的周期性结构。这是 QCNN 用于时域 BD 的理论动机。3.2 稳定训练为避免二次乘法导致训练不稳定作者将高阶权重初始化为零并设置对应偏置使 QCNN 初始时近似一阶线性神经元再逐步学习二次关系。时域滤波器优化负峭度损失推动输出突出冲击。四、核心模块二频域滤波与物理信息联合损失4.1 为什么还需要频域滤波时域目标突出重复冲击但不足以约束频率成分。ClassBD 将时域输出经 FFT 转到频域用全连接线性层调整频率分量再通过 IFFT 回到时域随后计算 Hilbert 变换与包络谱Envelope SpectrumES以包络谱稀疏性构造频域损失。两种表示采用不同目标时域峭度突出冲击频域 () 范数则鼓励包络谱集中同时避免过度优化破坏其他频率成分。论文 Figure 2时域 () 与频域 () 目标的优化方向及变化趋势图中时域目标增强冲击频域目标则采用更平缓的优化趋势。4.2 从独立优化变成分类器引导的联合优化总损失由时域峭度损失 ()、频域包络谱稀疏损失 () 和分类交叉熵 () 组成。时域项取负峭度使最小化损失等价于增大峭度频域项为其中 (ES(f)) 为包络谱幅值() 衡量预测类别与真实标签的差异为滤波器提供监督信号。为处理三项损失的尺度差异作者使用 uncertainty-aware weighting不确定性感知加权其中 () 为可学习尺度参数用于平衡各损失贡献。故障类别由此能引导滤波器与分类器共同训练。五、实验结果与消融分析抗噪效果是否有证据支持5.1 数据集与主分类实验实验使用公开 PU、JNU 与作者采集的 HIT 数据集加入不同强度噪声报告 F1 和误报率 FPR10 次独立运行平均。数据涵盖多种损伤、转速和裂纹严重程度。论文 Table 5PU 数据集四种工况、多个 SNR 下的分类结果PU 四种工况的平均 F1 均超过 94%。N15M01F10、−4 dB 时ClassBD 达到 95.19%EWSNet 为 69.66%N09M07F10、−4 dB 时两者分别为 92.08% 和 87.28%说明类别监督有助于提取判别特征。论文 Table 7JNU 数据集不同噪声强度下的 F1 与 FPRJNU 上ClassBD 平均 F1 为 96.28%高于 EWSNet 的 92.75%在 −10 dB 下仍达到 93.06%FPR 为 0.42%。论文 Figure 4HIT 轴承试验台与三类故障样本论文 Table 9HIT 数据集不同噪声强度下的分类结果HIT 的故障特征相似、难度较高。按 Table 9 表内数据ClassBD 平均 F1 为 90.99%从 −10 dB 时的 86.15% 升至 −4 dB 时的 97.23%。论文相邻正文有不一致描述此处按表内数值引用。论文 Figure 5HIT、−10 dB 下各方法末层特征的 t-SNE 可视化论文 Figure 6各方法在三个数据集上的平均 F1 对比Figure 5 中ClassBD 的特征聚类更清晰、离群误分类点较少Figure 6 则显示它在三个数据集上均取得较高平均 F1。论文 Table 6各方法参数量、FLOPs 与单样本推理耗时ClassBD 单样本推理耗时为 5.39 ms接入 WDCNN 后为 7.49 msDRSN 为 107.93 msWaveletNet 为 45.63 ms。该耗时来自 Intel i9-10900K CPU 测试。5.2 小样本、特征提取与噪声类型论文 Figure 3PU 数据集小样本训练条件下的 F1 对比PU 小样本实验使用每类 15、30、45 个训练样本且未额外加噪。每类仅 15 个样本时ClassBD 的平均 F1 为 97.70%EWSNet 为 97.47%该结果不能直接外推到强噪声小样本场景。论文 Table 10不同特征提取方法接入 WDCNN 后的分类 F1与 MED、SHMD、IMCKD、MNNBD 及 VMD 系列比较ClassBD 在 PU0 dB、JNU−6 dB、HIT−6 dB分别达到 98.28%、97.51%、98.47%均为表中最高值。论文 Figure 7VMD 与 BD 方法的时域信号、包络谱对比VMD 会将信号分解成多个模态仍需额外选择故障相关模态BD 则直接优化故障冲击提取。论文 Table 11JNU 数据集不同 BD 方法的故障频率指标 FFI论文 Figure 8JNU 的 B1000 信号经过不同 BD 方法后的循环频率与增强包络谱FFI 衡量故障特征频率附近的增强程度噪声信号平均 FFI 为 0.17ClassBD 为 0.61高于干净信号的 0.43。Figure 8 显示其循环频率增强更明显FFI 并非分类准确率。论文 Table 12合成噪声与真实场景噪声下的分类 F1PU、−4 dB 条件下ClassBD 在合成及真实噪声上的平均 F1 为 89.46%EWSNet 为 69.57%。ClassBD 在粉红、高斯、飞机、卡车噪声下分别为 83.68%、92.08%、90.01%、91.01%显示不同噪声的难度存在差异。六、总结与思考ClassBD 的关键不是简单增加一个去噪网络而是用下游任务目标重新定义前端信号处理的优化方向将 BD 的信号处理先验与分类交叉熵结合让故障标签参与滤波器训练。二次卷积提取周期性冲击频域线性滤波调整频率成分联合损失将两者与分类器连接起来。实验支持其在多数据集、多种噪声和不同骨干网络上的总体优势模块顺序与 QCNN 设计也有消融和可视化证据。但作者指出多种 BD 损失联合优化会增加寻找全局最优解的难度隐藏层特征仍未充分解释。知识蒸馏、迁移学习和跨域诊断是后续方向尚非本文已验证的结论。如果把这篇论文压缩成一句话让分类器告诉盲反卷积“哪些信号特征真正有助于区分故障”从而把传统信号处理与端到端诊断统一到同一个学习目标中。
论文题目Classifier-guided neural blind deconvolution: A physics-informed denoising module for bearing fault diagnosis under noisy conditions分类器引导的神经盲反卷积面向噪声环境轴承故障诊断的物理信息去噪模块期刊Mechanical Systems and Signal Processing2025摘要盲反卷积BD已被证明是一种有效的方法能够从强背景噪声下的振动信号中提取轴承故障特征。尽管 BD 具有良好的自适应能力和数学可解释性但仍存在一个重要挑战如何将 BD 与故障诊断分类器有效结合这一问题较难解决因为传统 BD 仅针对特征提取而设计拥有独立的优化器和目标函数。当 BD 与下游深度学习分类器结合时不同的学习目标容易发生冲突。为解决这一问题本文提出分类器引导的神经盲反卷积ClassBD联合学习基于 BD 的特征提取和基于深度学习的故障诊断。为此作者首先构建时域与频域神经 BD利用神经网络实现传统 BD从而使 BD 与深度学习分类器能够无缝集成并协同优化模型参数。该神经 BD 包含两个滤波器1时域二次滤波器利用二次卷积网络提取周期性脉冲2频域线性滤波器由全连接神经网络构成用于增强离散频率分量。随后作者构建由深度学习分类器驱动的统一框架以指导 BD 滤波器学习。此外作者设计了由峭度、() 范数和交叉熵损失组成的物理信息损失函数用于联合优化 BD 滤波器与深度学习分类器。通过这种方式故障标签能够被充分利用引导 BD 在强噪声中提取具有类别区分性的特征。据作者所知这是首次成功将 BD 应用于轴承故障诊断。来自三个不同数据集的实验结果表明在噪声条件下ClassBD 优于其他先进方法。源码GitHub - asdvfghg/ClassBD · GitHub一、研究背景与核心问题去噪不等于诊断轴承故障常表现为重复瞬态冲击但传感器采集到的振动信号还混有传递路径振动、其他部件的周期成分和环境噪声导致内圈、外圈、滚动体故障及不同损伤程度难以区分。传统盲反卷积Blind DeconvolutionBD学习自适应滤波器以突出故障相关的周期冲击。以 MED 为例它最大化输出信号的峭度来寻找冲击但峭度只关注“是否有尖峰”并不判断尖峰是否有助于区分类别随机冲击也可能被放大。因此本文的关键矛盾是BD 旨在恢复故障特征分类器旨在区分类别独立优化时两者目标可能不一致。作者将 BD 实现为可训练的神经网络模块并放在分类器前端让故障标签反过来指导滤波器学习。二、方法整体框架ClassBD 如何串起去噪与分类论文 Figure 1ClassBD 整体框架——时域二次滤波、频域线性滤波与分类器的联合训练。(a) 时域滤波器由两层对称的二次卷积神经网络QCNN构成用于时域故障诊断(b) 频域滤波器由一个全连接层组成用于频域故障诊断(c) 从全连接层输出的特征被提取用于计算包络谱ES而包络谱对于构建目标函数至关重要(d) 频域线性滤波器的输出则送入深度学习分类器以得到分类结果。流程为原始振动信号 → 时域二次卷积滤波器 → 频域线性滤波器 → 一维分类器 → 故障类别。输入片段长度为 (1×2048)。时域滤波器用两层对称 QCNN先映射到 16 个通道再融合为单通道频域模块依次执行 FFT、全连接线性滤波和 IFFT。主实验采用 WDCNN另测试 ResNet、MobileNetV3 和 Transformer。滤波器与分类器通过统一损失端到端更新。三、核心模块一为什么时域滤波器要使用二次卷积网络3.1 普通卷积与 QCNN 的区别普通卷积学习输入的线性组合再通过激活函数引入非线性QCNN 则显式加入二次项。本文采用其中(*) 表示卷积() 表示逐元素乘法() 为可学习卷积核。乘积项建立二阶关系平方项刻画局部能量帮助模型利用周期性统计特征。作者将故障信号近似为周期冲击与随机噪声的叠加。在故障与噪声不相关、噪声不具有相应周期性的假设下二次运算中的相关项有助于突出故障的周期性结构。这是 QCNN 用于时域 BD 的理论动机。3.2 稳定训练为避免二次乘法导致训练不稳定作者将高阶权重初始化为零并设置对应偏置使 QCNN 初始时近似一阶线性神经元再逐步学习二次关系。时域滤波器优化负峭度损失推动输出突出冲击。四、核心模块二频域滤波与物理信息联合损失4.1 为什么还需要频域滤波时域目标突出重复冲击但不足以约束频率成分。ClassBD 将时域输出经 FFT 转到频域用全连接线性层调整频率分量再通过 IFFT 回到时域随后计算 Hilbert 变换与包络谱Envelope SpectrumES以包络谱稀疏性构造频域损失。两种表示采用不同目标时域峭度突出冲击频域 () 范数则鼓励包络谱集中同时避免过度优化破坏其他频率成分。论文 Figure 2时域 () 与频域 () 目标的优化方向及变化趋势图中时域目标增强冲击频域目标则采用更平缓的优化趋势。4.2 从独立优化变成分类器引导的联合优化总损失由时域峭度损失 ()、频域包络谱稀疏损失 () 和分类交叉熵 () 组成。时域项取负峭度使最小化损失等价于增大峭度频域项为其中 (ES(f)) 为包络谱幅值() 衡量预测类别与真实标签的差异为滤波器提供监督信号。为处理三项损失的尺度差异作者使用 uncertainty-aware weighting不确定性感知加权其中 () 为可学习尺度参数用于平衡各损失贡献。故障类别由此能引导滤波器与分类器共同训练。五、实验结果与消融分析抗噪效果是否有证据支持5.1 数据集与主分类实验实验使用公开 PU、JNU 与作者采集的 HIT 数据集加入不同强度噪声报告 F1 和误报率 FPR10 次独立运行平均。数据涵盖多种损伤、转速和裂纹严重程度。论文 Table 5PU 数据集四种工况、多个 SNR 下的分类结果PU 四种工况的平均 F1 均超过 94%。N15M01F10、−4 dB 时ClassBD 达到 95.19%EWSNet 为 69.66%N09M07F10、−4 dB 时两者分别为 92.08% 和 87.28%说明类别监督有助于提取判别特征。论文 Table 7JNU 数据集不同噪声强度下的 F1 与 FPRJNU 上ClassBD 平均 F1 为 96.28%高于 EWSNet 的 92.75%在 −10 dB 下仍达到 93.06%FPR 为 0.42%。论文 Figure 4HIT 轴承试验台与三类故障样本论文 Table 9HIT 数据集不同噪声强度下的分类结果HIT 的故障特征相似、难度较高。按 Table 9 表内数据ClassBD 平均 F1 为 90.99%从 −10 dB 时的 86.15% 升至 −4 dB 时的 97.23%。论文相邻正文有不一致描述此处按表内数值引用。论文 Figure 5HIT、−10 dB 下各方法末层特征的 t-SNE 可视化论文 Figure 6各方法在三个数据集上的平均 F1 对比Figure 5 中ClassBD 的特征聚类更清晰、离群误分类点较少Figure 6 则显示它在三个数据集上均取得较高平均 F1。论文 Table 6各方法参数量、FLOPs 与单样本推理耗时ClassBD 单样本推理耗时为 5.39 ms接入 WDCNN 后为 7.49 msDRSN 为 107.93 msWaveletNet 为 45.63 ms。该耗时来自 Intel i9-10900K CPU 测试。5.2 小样本、特征提取与噪声类型论文 Figure 3PU 数据集小样本训练条件下的 F1 对比PU 小样本实验使用每类 15、30、45 个训练样本且未额外加噪。每类仅 15 个样本时ClassBD 的平均 F1 为 97.70%EWSNet 为 97.47%该结果不能直接外推到强噪声小样本场景。论文 Table 10不同特征提取方法接入 WDCNN 后的分类 F1与 MED、SHMD、IMCKD、MNNBD 及 VMD 系列比较ClassBD 在 PU0 dB、JNU−6 dB、HIT−6 dB分别达到 98.28%、97.51%、98.47%均为表中最高值。论文 Figure 7VMD 与 BD 方法的时域信号、包络谱对比VMD 会将信号分解成多个模态仍需额外选择故障相关模态BD 则直接优化故障冲击提取。论文 Table 11JNU 数据集不同 BD 方法的故障频率指标 FFI论文 Figure 8JNU 的 B1000 信号经过不同 BD 方法后的循环频率与增强包络谱FFI 衡量故障特征频率附近的增强程度噪声信号平均 FFI 为 0.17ClassBD 为 0.61高于干净信号的 0.43。Figure 8 显示其循环频率增强更明显FFI 并非分类准确率。论文 Table 12合成噪声与真实场景噪声下的分类 F1PU、−4 dB 条件下ClassBD 在合成及真实噪声上的平均 F1 为 89.46%EWSNet 为 69.57%。ClassBD 在粉红、高斯、飞机、卡车噪声下分别为 83.68%、92.08%、90.01%、91.01%显示不同噪声的难度存在差异。六、总结与思考ClassBD 的关键不是简单增加一个去噪网络而是用下游任务目标重新定义前端信号处理的优化方向将 BD 的信号处理先验与分类交叉熵结合让故障标签参与滤波器训练。二次卷积提取周期性冲击频域线性滤波调整频率成分联合损失将两者与分类器连接起来。实验支持其在多数据集、多种噪声和不同骨干网络上的总体优势模块顺序与 QCNN 设计也有消融和可视化证据。但作者指出多种 BD 损失联合优化会增加寻找全局最优解的难度隐藏层特征仍未充分解释。知识蒸馏、迁移学习和跨域诊断是后续方向尚非本文已验证的结论。如果把这篇论文压缩成一句话让分类器告诉盲反卷积“哪些信号特征真正有助于区分故障”从而把传统信号处理与端到端诊断统一到同一个学习目标中。
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
