該研究針對旋轉(zhuǎn)機械故障診斷中存在的多傳感器數(shù)據(jù)信息冗余、頻域特征提取不足及小樣本條件下模型過擬合等問題，提出了一種融合傅里葉卷積與變分自編碼器Transformer（FCTransformer）的創(chuàng)新診斷方法。該方法通過四階段技術(shù)架構(gòu)實現(xiàn)多傳感器數(shù)據(jù)的智能融合與故障特征解耦，在軸承與齒輪箱雙數(shù)據(jù)集上的實驗驗證表明其具有顯著優(yōu)勢。

**1. 研究背景與問題定位**
旋轉(zhuǎn)機械作為風力發(fā)電機、軌道交通和航空發(fā)動機等核心部件，其運行穩(wěn)定性直接影響工業(yè)安全。現(xiàn)有故障診斷方法存在兩大瓶頸：其一，單傳感器信號易受環(huán)境噪聲干擾，且局部特征提取能力有限；其二，傳統(tǒng)多傳感器融合方法在數(shù)據(jù)級（如PCA降維）、特征級（如Transformer自注意力）和決策級（如投票機制）的融合策略中，難以平衡全局關(guān)聯(lián)建模與局部細節(jié)保留的矛盾。

**2. 方法創(chuàng)新與架構(gòu)設計**
本研究突破性地構(gòu)建了三級聯(lián)動的智能診斷體系（見圖1）：
- **數(shù)據(jù)級融合預處理**：采用主成分分析（PCA）對高維異構(gòu)傳感器數(shù)據(jù)進行降維處理，消除50%以上的冗余特征。通過連續(xù)小波變換（CWT）將時域信號映射為RGB圖像，保留時頻域雙重特征信息。該過程不僅實現(xiàn)數(shù)據(jù)壓縮，更通過小波基函數(shù)的物理可解釋性，增強了對齒輪裂紋、軸承點蝕等典型故障的表征能力。
- **頻域特征解耦**：傅里葉卷積（FC）模塊創(chuàng)新性地引入頻域非線性映射機制。通過構(gòu)建頻域特征金字塔，在基頻層捕捉周期性振動特征（如齒輪嚙合頻率異常），在諧波層解析非線性耦合關(guān)系（如軸承內(nèi)圈磨損導致的諧波畸變）。相較于傳統(tǒng)CNN的空域卷積，該模塊在頻域的卷積操作可同時提取基頻、二次諧波和三次諧波特征，對不對齊的多傳感器信號具有更好的魯棒性。
- **全局依賴建模**：變分自編碼器Transformer（VAETransformer）采用雙路徑結(jié)構(gòu)：編碼器端通過可變形自注意力機制（Deformable Self-Attention）動態(tài)調(diào)整不同傳感器信號的關(guān)聯(lián)權(quán)重，消除傳感器間時空偏移的影響；解碼器端引入變分約束層，在保留特征多樣性的同時抑制過擬合。特別設計的殘差對抗訓練模塊，使模型在樣本量減少60%時仍能保持95%以上的診斷精度。

**3. 關(guān)鍵技術(shù)突破**
- **物理可解釋的多模態(tài)融合**：結(jié)合小波變換的時頻分析特性與PCA的降維優(yōu)勢，構(gòu)建了具有物理意義的多源數(shù)據(jù)融合框架。實驗表明，該融合方式在保留原始信號95%以上能量分布的同時，使跨傳感器特征匹配度提升40%。
- **動態(tài)頻域特征提取**：傅里葉卷積通過頻移不變特性，在噪聲干擾環(huán)境下仍能準確識別故障頻率成分。針對齒輪箱雙點接觸故障等復雜工況，系統(tǒng)可自動識別5-8個諧波分量，診斷準確率達98.7%。
- **小樣本自適應機制**：變分自編碼器通過概率分布建模，在500樣本量級別的軸承故障診斷中，仍能保持96.1%的平均準確率。引入的噪聲對抗訓練模塊，使模型在傳感器數(shù)量減少30%時，診斷性能僅下降2.3個百分點。

**4. 實驗驗證與對比分析**
研究團隊在NSDT（振動信號數(shù)據(jù)集）和CWRU（軸承數(shù)據(jù)集）兩個基準平臺上進行了對比測試。采用交叉驗證策略，特別設計了200組對比實驗：包括傳感器位置偏移（±15°）、噪聲強度（50-80dB）和樣本量級（100-500）的聯(lián)合干擾場景。

**4.1 性能指標對比**
- 在正常工況（NOisy-Data）下，F(xiàn)CTransformer達到99.58%的診斷準確率，優(yōu)于傳統(tǒng)Transformer方法的92.34%和CNN基線模型的88.17%。
- 面對小樣本挑戰(zhàn)（<200樣本），其平均準確率（96.10%）較最優(yōu)對比模型（ResNet-50+Attention的93.42%）提升2.68個百分點。在傳感器缺失場景下，通過跨設備遷移學習，診斷準確率仍保持在91.23%以上。
- 對非平穩(wěn)故障（如瞬態(tài)沖擊型故障）的診斷F1值達到0.923，較現(xiàn)有最優(yōu)模型提升11.6%。

**4.2 消融實驗分析**
- 若移除PCA預處理模塊，特征冗余度增加導致準確率下降4.2個百分點；
- 去除傅里葉卷積層后，局部特征提取能力下降，模型在諧波分量識別任務中正確率從97.3%降至82.1%；
- VAETransformer的變分約束層可使過擬合指數(shù)（Valence）降低至0.15，顯著優(yōu)于傳統(tǒng)Transformer的0.42。

**4.3 系統(tǒng)效率評估**
- 訓練階段：FCTransformer在單卡RTX4060上完成200節(jié)點訓練僅需6.8小時，較同類模型（如D2 Transformer）縮短訓練時間37%；
- 推理階段：采用模型剪枝技術(shù)，將參數(shù)量壓縮至原規(guī)模的28%，在10節(jié)點并行計算時，推理速度達到1.2ms樣本，滿足工業(yè)在線監(jiān)測的實時性要求。

**5. 工程應用價值**
該技術(shù)已成功應用于某風電廠齒輪箱健康監(jiān)測系統(tǒng)，部署效果表明：
- 故障預警時間提前至傳統(tǒng)方法的2.3倍；
- 誤報率從行業(yè)平均的4.7%降至0.8%；
- 在多傳感器協(xié)同工作場景下，系統(tǒng)能耗降低18.5%。

**6. 未來研究方向**
研究團隊計劃在以下方向進行拓展：
1. 開發(fā)基于物理約束的動態(tài)小波基自動選擇算法，提升復雜工況下的診斷魯棒性；
2. 構(gòu)建多模態(tài)異構(gòu)數(shù)據(jù)融合框架，整合振動信號、紅外熱成像和油液光譜數(shù)據(jù)；
3. 研究聯(lián)邦學習機制下的分布式診斷系統(tǒng)，解決工業(yè)場景中的數(shù)據(jù)孤島問題。

該研究為旋轉(zhuǎn)機械故障診斷提供了新的技術(shù)范式，其核心價值在于建立頻域特征解耦-時域關(guān)聯(lián)建模-物理約束優(yōu)化的完整技術(shù)閉環(huán)，特別是在多源異構(gòu)數(shù)據(jù)融合和復雜工況自適應方面取得突破性進展。相關(guān)成果已形成3項發(fā)明專利和2篇SCI一區(qū)論文，部分技術(shù)參數(shù)已被納入ISO/TS 20459-2023工業(yè)設備預測性維護標準草案。