2区Top综述||如何融合人工智能大语言模型与知识图谱以增强故障诊断？一项系统性文献综述（上）

工业设备"看病难"？故障数据稀缺让AI诊断频频"误诊"！天津工业大学团队最新研究将数字孪生与物理神经网络深度融合，让AI不仅"看懂"振动信号，更"理解"轴承背后的力学规律，在故障样本极少的情况下仍能达到99.86%的诊断准确率，为智能工厂的设备运维开辟了新路径。 本期推荐的这篇是天津工业大学机械工程学院教授尚志武的文章，本文系统综述了基于数字孪生的物理信息自编码器（PIAE-DT：Physics-Informed Auto-Encoder based on Digital Twin）在不平衡样本条件下滚动轴承故障诊断中的应用，针对工业场景中故障数据稀缺导致的类别不平衡难题，提出了一种融合物理机理与数据驱动的数据增强新范式；该方法通过将无量纲轴承动态特征嵌入自编码器隐空间，实现刚度、阻尼等关键物理参数的精确辨识与概率分布建模，并基于数字孪生空间的重采样机制生成高保真、多样化的合成故障样本；在凯斯西储大学（CWRU：Case Western Reserve University）公开数据集与高速轴承故障模拟实验平台（HFHP：High-speed Bearing Fault Simulation Experiment Platform）私有数据集上的对比实验表明，PIAE-DT在100:1至1:1的不平衡比例范围内均显著优于合成少数类过采样技术（SMOTE：Synthetic Minority Over-sampling Technique）、变分自编码器VAE（VAE：Variational Autoencoder）、带梯度惩罚的瓦瑟斯坦生成对抗网络（WGAN-GP：Wasserstein GAN with Gradient Penalty）等方法，最高诊断准确率达97.60%与99.86%，为智能制造背景下小样本故障诊断提供了兼具可解释性与鲁棒性的技术路径。 由于文章篇幅过长，小编将分两次为大家翻译介绍这篇论文，第一篇推文（点击直达）提出了基于数字孪生的物理信息自编码器框架，针对滚动轴承故障诊断中故障样本稀缺导致的数据不平衡问题，通过将无量纲物理信息模块嵌入自编码器，实现刚度、阻尼等动态模型参数的精确辨识，并将这些参数映射到概率分布空间进行重采样，从而生成兼具物理一致性与统计多样性的合成故障数据；该方法设计了包含重构损失、无量纲微分损失和数字孪生物理一致性损失的复合损失函数及两阶段训练策略，为后续数据增强与故障诊断奠定理论基础。 本篇推文聚焦实验验证与性能评估，系统开展生成数据质量分析与故障诊断效果验证。首先通过最大均值差异和均方根误差量化评估生成样本的分布相似性与波形保真度，PIAE-DT在两项指标上均显著优于对比方法。随后构建不平衡数据集进行诊断性能测试，结果表明随着不平衡比例从100:1逐步改善至1:1，PIAE-DT持续保持领先，准确率提升幅度最大达36.6%。消融实验进一步揭示了物理信息模块与自编码器结构的协同作用机制，超参数分析确定了最优批次大小、网络深度与学习率配置。t-SNE可视化直观展示了PIAE-DT生成数据具有更清晰的类别可分性，为方法有效性提供了有力佐证。 论文基本信息论文题目: Physics-informed auto-encoder based on digital twin for rolling bearing fault diagnosis under imbalanced sample conditions论文期刊：Engineering Applications of Artificial IntelligenceDoi：https://doi.org/10.1016/j.engappai.2025.113017作者: Ziyu Wang a,b , Cailu Pan a,b , Wanxiang Li c,d , Maosheng Gao e 论文时间: 2025年 机构: a School of Mechanical Engineering, Tiangong University, Tianjin, 300387, China b Tianjin Modern Electromechanical Equipment Technology Key Laboratory, Tianjin, 300387, Chinac TBEA Beijing Tianjin Hebei Intelligent Technology Co., Ltd, Tianjin, 301701, China d TBEA Tianjin Transformer Co., Ltd, Tianjin, 300300, China e TBEA Electrical Equipment Group Co., Ltd, Tianjin, China作者简介：尚志武，男，1977年2月生，天津工业大学机械工程学院教授、正高级工程师、博士生导师。2003年获天津大学机械制造及其自动化专业博士学位。任中国振动工程学会机械动力学专委会委员，兼任天津经济技术开发区正高级职称评委会委员、国家科技奖励评审专家、国际TRIZ协会(MATRIZ)认证专家、甘肃省产业竞争力战略咨询委员会委员 。研究方向涵盖智能诊断与动态测控、机电一体化技术、创新方法与创新设计等领域。(来源：ResearchGate） 摘要在滚动轴承故障诊断中，故障样本稀缺导致故障数据远少于正常数据，引发样本不平衡问题，严重影响诊断准确率。生成式神经网络虽能补充故障数据，但无法确保生成数据充分捕捉轴承动力学特性，从而损害可靠性。本文提出了一种基于数字孪生的物理信息自编码器，用于不平衡条件下的可解释数据增强。通过将融入轴承动态特性的无量纲物理信息模块嵌入自编码器，实现了动态模型参数的辨识，并确保每个学习特征对应具有物理意义的参数，提升了可解释性。辨识后的参数被映射至概率分布，进而通过重采样在数字孪生空间中开发故障数据增强方法，以增加增强数据的多样性。此外，从这些参数重构振动信号进一步提升了增强数据的可靠性，实验结果验证了物理信息模块的有效性。最终，应用PIAE-DT辨识已知样本的动态参数，在数字孪生空间中实现故障数据增强，有效缓解了诊断中的不平衡问题。该方法在公开数据集和私有数据集上进行了评估，最高诊断准确率分别达到97.60%和99.86%，优于其他数据增强方法。 关键词：数据增强；动态模型；故障诊断；不平衡数据；数字孪生 目录1 引言2 相关工作 2.1 自编码器 2.2 物理信息神经网络 2.3 数字孪生3 所提方法 3.1 轴承数字孪生模型 3.2 轴承数字孪生空间 3.3 基于数字孪生的物理信息自编码器 3.4 不平衡样本故障诊断总体框架4 实验 4.1 数据集描述 4.2 不平衡数据集构建 4.3 实验设置 4.4 训练结果分析 4.5 应用于故障诊断5 结论注：小编能力有限，如有翻译不恰之处，请多多指正~ 若想进一步拜读完整版，请下载原论文进行细读。 4 实验4.1 自编码器数据集描述实验在一个公开数据集和一个实验室私有数据集上进行。公开数据集来自凯斯西储大学（Neupane and Seok, 2020），其试验台主要包括驱动电机、扭矩传感器、功率计和电子控制器（图5）。测试对象为SKF6205驱动端轴承，在1797 rpm转速下以12 kHz进行降采样，采集的加速度信号涵盖内圈故障、外圈故障、滚动体故障及正常类别，故障尺寸为7 mil、14 mil和21 mil。实验室私有数据集来自HD-FD-H-03P转子齿轮箱故障模拟试验台（图6），该试验台主要由磁粉制动器、轴承模块、飞轮、扭矩转速计、单向传感器和电机组成；测试对象为SKF6205轴承，在1500 rpm转速下以12 kHz进行降采样，采集的加速度信号包括内圈故障、外圈故障及正常类别，故障尺寸为0.3 mm、0.4 mm和1 mm。 图5 轴承试验台架在凯斯西储大学( Neupane and Seok , 2020) 图6 HFHP自建轴承故障模拟实验平台(潘文卿等, 2023)本文两个数据集的实验轴承均为SKF6205，该轴承的具体参数如表1所示。表1 SKF6205轴承参数 4.2 不平衡数据集构造为更好地模拟工业应用中故障样本稀缺的实际场景，对原始数据集进行人工处理以构建不平衡数据集。首先，采用滑动窗口对原始振动信号进行样本分割，窗口长度为1024，滑动步长（stride）为512。随后，从CWRU和HFHP数据集分别获得10 × 600和7 × 600个样本。每个数据集被随机划分为训练集和测试集，后者记为数据集A（Dataset A），分别包含10 × 100和7 × 100个样本。在训练集中，所有正常（健康）样本被指定为数据集B（Dataset B，1 × 500），同时随机选取1%的故障样本并标记为数据集C（Dataset C，CWRU为9 × 5，HFHP为6 × 5）。剩余故障样本被标记为数据集D（Dataset D，CWRU为9 × 495，HFHP为6 × 495）。数据集B与C共同构成不平衡比为1:100的不平衡数据集，用于训练故障诊断模型。同时，数据集C作为训练生成模型的已知故障样本，数据集D用于评估生成数据的质量。人工生成的故障样本记为数据集E（Dataset E）。通过调整数据集E的样本数量，将数据集B、C和E组合，构建具有不同不平衡比的数据集用于模型训练。具体的数据划分汇总于表2。表2 CWRU和HFHP数据集的使用 通过上述样本划分与处理策略，CWRU和HFHP数据集均被划分为多个子集（数据集A–E），随后用于模型训练、测试及生成样本的评估。这一全面配置支持故障诊断模型的实验开发与验证，特别是在极端类别不平衡条件下模型的鲁棒性与泛化能力方面。4.3 自编码器数据集描述计算硬件配置包括16 GB内存和NVIDIA RTX 4060图形处理器。实现采用Python 3.10，核心依赖库为PyTorch 2.2和NumPy。为确保结果的鲁棒性，性能评估在10次重复独立实验中进行，以减少固有随机性的影响。模型训练200轮，批量大小为5。初始学习率设为0.0005，采用Adam优化器进行优化。为增强收敛稳定性，应用StepLR学习率调度器，每50轮将学习率衰减0.5倍。采用最大范数为1.0的梯度裁剪防止梯度爆炸。在损失函数中加入惩罚项作为正则化形式。模型存储方面，保存检查点，保留200轮后的最终模型以及取得最佳训练性能的模型。为清晰展示网络架构，所提PIAE-DT的结构设计汇总于表3，本研究采用的训练超参数列于表4。表3 参数PIAE-DT 表4 训练超参数 4.4 自编码器数据集描述训练结果分析4.4.1. 训练损失结果分析与纯粹数据驱动的生成模型相比——后者虽能丰富少数类样本，但往往缺乏物理可解释性且与现实系统动力学的一致性不足——数字孪生（DT：Digital Twin）技术提供了一种物理一致的数据增强方法（Cui et al., 2024）。相比之下，DT技术通过融合基于物理的仿真与真实传感器数据，实现了物理一致的数据增强，为解决上述局限性提供了有前景的途径（Yi et al., 2023; Zhang et al., 2023）。 图7 训练过程中不同损失项的训练损失曲线从不同损失项的表现来看，重建损失 在早期迅速下降并逐渐稳定，表明模型能够有效完成重建任务；而无量纲微分损失 和数字双胞胎损失 下降相对较慢，但显示出类似的稳定收敛趋势，表明它们的正则化约束正在逐渐满足；总损失 则保持下降趋势，最终在相对较低的水平上稳定下来，进一步证明了各损失项之间的协调性。总之，所提出的方法能够在训练过程中有效降低误差，并在长时间的迭代周期内保持稳定状态，充分验证了该方法的有效性和可训练性。如图8所示，本文的总体损失函数为不同的子损失项引入了自适应权重系数 、 、 ，分别对应 、 、 。随着训练的进行，这些权重系数可进行动态调整，以平衡各任务在不同阶段对总体优化的贡献。 图8 训练过程中自适应权重系数曲线具体而言，系数 （对应于 ）在整个训练过程中保持在相对较高的水平（接近2），表明在优化开始时，模型强调重建损失的重要性，从而确保生成结果与输入质量的一致性；系数 （对应于 ）在早期训练阶段逐渐增加，并在后期趋于稳定在约 1 左右，反映出对判别约束的持续关注，这有助于提高模型的判别能力；系数 （对应于 ）整体保持在相对较低的水平，表明该约束在整体优化中所占比例较小，主要起到辅助作用。这种自适应加权机制使损失函数能够根据训练过程中不同任务的优化需求自动调整权重，从而避免单一损失项的主导，确保模型在收敛时兼顾重构质量与判别能力，实现更加稳定高效的训练效果。4.4.2. 数字孪生空间结果分析使用包含已知故障样本的数据集C训练生成模型，获取关键动力学参数的概率分布，从而构建CWRU数字孪生空间（图9）。结果表明，当缺陷尺寸变化较小时，无量纲刚度和阻尼参数基本保持稳定，且与缺陷尺寸或类型相关性较弱，更多地受到轴承模型和采集环境的影响。虽然使用固定参数值不会损害振动响应的真实性，但会限制样本多样性；这一问题可通过将参数直方图转换为概率分布并从中采样来缓解。按照相同流程，获得了HFHP数据集C的动力学参数分布（图10）。尽管源自相同的轴承模型，两个数据集却呈现出不同的参数分布，表明动力学参数不仅由缺陷特性决定，还对实验设置、环境噪声及传感器特性敏感。总体而言，图9和图10表明这些参数分布与缺陷尺寸和类型相关性较弱，但强烈反映了测试环境特征。 图9 CWRU数字孪生空间 图10 HFHP数字孪生空间综上所述，基于概率动力学参数构建数据驱动的数字孪生空间，不仅保持了振动信号的物理真实性，还增强了多样性与泛化能力，为稳健的样本生成及下游模型训练奠定了基础。4.4.3. 生成数据可靠性分析通过从两个数据集的数字孪生空间中随机采样，并将采样得到的参数与其对应标签相结合，生成新的故障数据样本。随后将这些参数输入训练好的权重共享解码器以重构振动信号。如图11和图12所示，生成信号在两个数据集中均与原始数据高度吻合。对于CWRU数据集（图11），生成数据在整体波形形状和幅值分布上与真实信号良好对齐。在HFHP数据集（图12）中，生成信号展现出可比拟的幅值范围和时域模式。值得注意的是，在缺陷区域观察到更为明显的振动行为，而非缺陷区域的信号保持平坦且一致。有趣的是，非缺陷区段的生成信号甚至比真实数据更加平滑，表明模型不仅捕捉了关键时序特征，还可能在合成过程中对其进行了增强。 图11 CWRU真实数据与生成数据的对比 图12 HFHP真实数据与生成数据的对比综上所述，合成信号在保留关键故障相关特征的同时，提升了平滑性和一致性，展示了所提方法在生成用于下游任务的高保真度和可靠故障数据方面的能力。4.5 应用于故障诊断4.5.1. 量化评价指标和不平衡率设计为量化模拟数据与实测数据之间的差异，本文采用两种指标：最大均值差异 MMD（Zhang et al., 2022b）和均方根误差 RMSE（Lei et al., 2012）。MMD用于评估数据分布的差异，而RMSE主要关注模拟数据与实测数据之间的幅值差异。数学定义如下：此外，采用分类准确率评估故障诊断性能，其定义为：其中， 表示真实类别为 且预测类别为 的样本数量， 代表类别数。为构建不同的不平衡场景，设计了如表5所示的样本比例。表5 不平衡比率 在不平衡分类实验中，采用数据集B中的500个真实正常样本和数据集C中每类故障的5个真实故障样本作为训练集。每类故障的生成样本数量从0逐步增加至495，使不平衡比从100:1逐渐降低至1:1。数据集A中的所有数据均用作分类网络的测试集。为进一步验证所提方法处理不平衡样本的有效性，所有实验在相同参数设置下采用统一的诊断网络（WDCNN：Wide Deep Convolutional Neural Network）（Zhang et al., 2017）。4.5.2. 极端不平衡情景的基准首先，我们在极端不平衡的100:1场景下评估无任何增强时的基线诊断性能，以建立参考基准。如表6（CWRU数据集）和表7（HFHP数据集）所示，所有模型的诊断准确率仅徘徊在62%左右，表明严重的类别不平衡导致故障识别能力显著下降。表6 在CWRU数据集上的基线诊断准确率( 100：1 ) 表7 在HFHP数据集上的基线诊断准确率( 100：1 ) 4.5.3. 不同不平衡比例下的对比实验在本研究中，对比模型包括SMOTE、VAE、WGAN-GP以及动力学模型。动力学模型采用与文献中相同的仿真参数求解微分方程。接下来，我们在最具挑战性的不平衡水平（100:1）下评估生成样本的质量，因为高保真数据生成是有效增强的基础。为此，采用MMD 和RMSE 指标定量测量合成样本与真实样本之间的分布相似度和波形保真度。如图13(a)所示，所提模型在CWRU数据集的全部九类故障中始终取得最小的MMD值，表明生成样本的分布与真实数据最为接近，从而展示了捕捉底层数据分布的优越能力。从图13(b)可观察到类似现象，所提模型同样记录了最低的RMSE分数，进一步证实生成样本与原始信号最为相似。在HFHP数据集上观察到可比拟的趋势：如图14所示，PIAE-DT 同样获得最低的MMD和RMSE值，验证了其在不同数据集上的优异泛化能力，并突出了合成样本的高保真度。 图13 生成样本在CWRU数据集上的MMD和RMSE得分 图14 生成样本在HFHP数据集上的MMD和RMSE得分在上述展示的高质量数据生成能力基础上，我们进一步评估了随着不平衡比从50:1逐步放宽至1:1，样本增强后下游诊断性能的演变情况。如表8和表9所示，所有增强策略均带来准确率的显著提升，证实了合成样本补充对缓解不平衡的积极作用。值得注意的是，所提PIAE-DT 模型在每个不平衡设置下始终优于所有对比方法。特别是当类别分布达到完全平衡（1:1）时，PIAE-DT在CWRU数据集上达到97.6%的峰值准确率，在HFHP数据集上达到99.86%的峰值准确率，充分展示了其通过高保真样本生成缓解数据不平衡并提升诊断性能的卓越能力。表8 在CWRU数据集上不同不平衡比例下的诊断准确率 表9 在HFHP数据集上不同不平衡比例下的诊断准确率 建立轴承故障动力学模型对于开发精确的轴承数字孪生至关重要。该模型能够在真实工况下模拟各种故障模式，从而增强预测性维护能力。通过将轴承故障简化为单自由度非线性模型，我们在保持对广泛轴承数据集适应性的同时，最小化了模型复杂度。在这些令人鼓舞的结果基础上，图15展示了随着不平衡比从50:1逐步放宽至1:1，不同增强方法的诊断准确率提升演变情况。随着类别分布趋于更加平衡，所有方法均表现出逐步增加的性能增益，证实了合成样本补充的积极作用。其中，SMOTE 和VAE 在中等不平衡度下显示出稳定的改进，而WGAN-GP 在相对平衡的场景中产生显著提升。值得注意的是，所提PIAE-DT 在所有设置下始终取得最大的准确率增益，并在CWRU和HFHP数据集的1:1比例下分别达到36.6%和37.1%的峰值改进，从而展示了其通过高保真样本生成缓解数据不平衡并提升诊断性能的卓越能力。 图15 不同增强方法在不同不平衡比下诊断准确率的提升在100:1的高度失衡环境下，所有模型的诊断准确率显著下降至约62%，突显出严重类别不平衡对故障识别的有害影响。然而，利用高保真度的合成样本进行数据增强有效地缓解了这一问题。通过MMD和RMSE的定量评估表明，PIAE-DT生成的样本在分布和波形特性上与真实数据具有最一致性，显示出强大的数据建模能力。随后，在不同的不平衡比例（从50:1到1:1）下进行的诊断实验显示，所有增广策略均提高了准确率，且随着类别分布的逐渐平衡，性能提升也愈加明显。值得注意的是，PIAE-DT始终优于竞争方法，在CWRU数据集上达到峰值准确率97.6%，在HFHP数据集上达到99.86%，并在1:1比例下实现了最大准确率增幅，分别为36.6%和37.1%。这些结果证明了PIAE-DT在缓解数据不平衡和通过高质量样本生成提升故障诊断能力方面的卓越能力。4.5.4. 不同不平衡比下的烧蚀实验如图1所示，本研究开发的轴承数字孪生模型通过改变故障尺寸获取不同类别的缺陷位移数据，并将其嵌入动力学模型中。为进一步阐明所提框架中各结构组件在缓解样本不平衡和提升诊断性能方面的独立贡献，我们通过逐步移除或修改模型的关键模块来进行消融研究。此类研究至关重要，因其使我们能够：（i）定量评估各模块对整体性能的重要性；（ii）验证模型设计的合理性；（iii）为模型的未来开发及实际部署简化提供指导。通过系统比较不同消融配置在各种不平衡比下的诊断准确率，我们旨在深入洞察各架构元素的有效性和必要性。为此，构建了五种对比模型：模型1（完整模型）代表原始PIAE-DT（Physics-Informed Auto-Encoder Based on Digital Twin：基于数字孪生的物理信息自编码器）框架，该框架集成了物理信息（PI：Physics-Informed）模块和自编码器（AE：Autoencoder）模块。模型2（w/o PI）移除PI模块，仅保留AE，以评估物理信息融入对样本生成保真度和诊断性能的贡献。模型3（w/o AE）舍弃AE模块而保留PI，从而检验AE在信号重构和特征保持中的作用。模型4（AE → CNN）将AE的全连接结构替换为卷积神经网络（CNN：Convolutional Neural Network），以研究局部感受野建模对生成性能的影响。最后，模型5（AE → RNN）将AE替换为循环神经网络（RNN：Recurrent Neural Network），以探索序列建模能力是否更适合振动信号生成。在后续实验中，对这五种模型在50:1至1:1的不同不平衡比下进行评估，从而对所提故障诊断框架中各组件的功能性和有效性进行全面分析。在消融研究中，我们首先在最严重的不平衡场景（100:1）下使用定量指标MMD 和RMSE 评估生成样本的质量。如图16和图17所示，模型5展现出最高的生成质量，其次是模型4，而模型1表现中等，模型3和模型2相对较差。这些结果表明，将全连接AE 结构替换为RNN（模型5）或CNN（模型4），由于其更强的时序动力学和局部特征模式建模能力，能够相对于原始架构（模型1）提升生成样本的保真度。 图16 生成样本在CWRU数据集上的MMD和RMSE得分 图17 生成样本在HFHP数据集上的MMD和RMSE得分然而，应当注意的是，模型4和模型5极低的MMD/RMSE分数可能源于对有限少数类故障样本的过拟合，这并不一定转化为下游诊断任务中泛化能力的提升。相比之下，模型1在生成保真度与泛化能力之间取得了更为平衡的权衡，这对于实际数据增强至关重要。诊断性能结果将在下文呈现以进一步支持这一观察（图18）。基于上述生成质量的观察，我们进一步检验这些差异是否能在 varying 不平衡比下转化为下游诊断性能的改进。五种模型在CWRU和HFHP数据集上的分类准确率分别汇总于表10和表11。 图18 不同增强方法在不同不平衡比下诊断准确率的提升表10 在CWRU数据集上不同不平衡比例下的诊断准确率 表11 在HFHP数据集上不同不平衡比例下的诊断准确率 如表所示，模型1在两个数据集的大多数不平衡比下始终提供卓越的诊断准确率，特别是当类别分布趋于相对平衡时（例如，CWRU数据集上2:1和1:1的准确率达到93.7%/97.6%，HFHP数据集上达到96.00%/99.86%）。尽管模型4和模型5在极端不平衡或中等不平衡场景下偶尔取得略优的性能（例如，CWRU数据集的50:1和HFHP数据集的10:1），但其诊断准确率随比例变化波动更为显著，表明稳定性和泛化能力较弱。相比之下，移除 PI 模块或 AE 模块的模型2和模型3，在所有设置下均显示出诊断性能的明显下降，突出了所提架构中两个组件的必要性。这些结果证实，在类别不平衡条件下，生成与诊断之间的平衡权衡，而非合成样本的绝对保真度，是有效性能提升的关键。所提模型1很好地实现了这一平衡，从而带来总体更优且更稳定的诊断结果。4.5.5. 模型结构与超参数分析在极端类别不平衡和有限样本量条件下，模型性能对训练超参数和网络架构高度敏感。系统性实验结果表明，批量大小、网络深度、损失系数配置和学习率均对识别准确率产生决定性影响，各因素均呈现"适度最优"模式。这些发现凸显了精心选择架构和训练设置以确保此类挑战性场景下稳定性和泛化能力的重要性。具体而言（见图19），关于批量大小，将其从1增加至5带来性能的逐步提升，在批量大小为5时达到最优。在此设置下，每个训练批次涵盖每类所有5个可用样本，从而实现更具代表性的梯度更新。然而，当批量大小进一步增加（≥10）时，性能显著恶化，表明小批量训练更有利于泛化。关于网络深度，从1层扩展至3–4层显著改善性能，表明适度深度增强特征提取能力；尽管如此，将深度增加至5层或更多导致性能下降，这可能是由于小样本条件下过拟合和梯度传播困难所致。对于损失系数策略，自适应方案（Method1）取得最佳结果，因为损失权重的动态调整有效平衡了训练过程中不同项的贡献。相比之下，移除正则化项（Method2）使性能退化，凸显其对稳定性和泛化能力的重要性，而固定系数（Method3）产生最差结果，表明缺乏灵活性阻碍学习。最后，学习率（learning rate）实验揭示出明显的先升后降趋势：当学习率从0.0001增加至0.0005时性能改善，但提升至0.001或更高时性能急剧下降。这表明过大的学习率导致不稳定收敛或发散，而过小的学习率则导致欠优化；在收敛速度与稳定性之间取得平衡，0.0005成为最优选择。 图19 超参数配置的烧蚀研究。考察( a )批次大小，( b )网络深度，( c )损失系数策略，( d )学习率对模型性能的影响综上所述，在小样本和高度不平衡条件下，模型训练应遵循"适度最优"原则。小批量大小（例如，5）、适度网络深度（3–4层）、带正则化的自适应损失系数机制以及中等学习率（0.0005）共同提供最优越的性能和泛化能力。这些结果不仅确定了关键因素的最优配置范围，还为类似问题设置下的模型设计与优化提供了有价值的指导。4.5.6. 可视化分析为进一步评估所提模型的有效性，采用t分布随机邻域嵌入（t-SNE：t-distributed Stochastic Neighbor Embedding）对100:1不平衡条件下诊断分类器的隐藏层和输出层特征进行可视化。如图20所示，所有网络的隐藏层特征分布显示，故障类型2（绿色）、5（黄色）、3（粉色）和1（橙色）倾向于紧密聚类，表明这些类别相对难以区分。尽管如此，所提模型（图20(f)）展现出比对比网络（图20(a)–(e)）明显更清晰的聚类边界，后者的特征分布严重重叠。尽管各模型生成的样本相对于无增强基线（图20(a)）均提供一定改善，但基于数字孪生的物理信息自编码器产生的合成数据实现了显著更丰富且更具可分性的表示。 图20 1：1比例尺下各种生成方法的T - SNE图类似地，图21可视化了分类器的输出层特征。在无增强情况下（图21(a)），大多数故障类型未能清晰界定，证实了严重不平衡导致诊断可分性较差。尽管模型2–5（图21(b)–(e)）在一定程度上改善了聚类效果，但故障类型5（黄色）和4（紫色）仍难以区分，可能是由于生成的样本过于相似所致。相比之下，所提模型（图21(f)）在所有故障类别上形成了分离良好、紧凑的聚类，表明基于数字孪生的物理信息自编码器不仅提升了诊断准确率，还通过提供高保真、高判别性的合成数据增强了特征提取质量。 图21 1：1比例尺下各种生成方法的T - SNE图5 结论本研究开发了一种基于数字孪生的物理信息自编码器，用于增强不平衡样本条件下的轴承故障诊断。通过将无量纲物理信息模块嵌入自编码器框架，该方法识别出具有明确物理意义的动力学模型参数，从而提升了可解释性。利用这些参数的概率分布映射，在数字孪生空间中生成多样且动力学一致的故障数据，并通过重构振动信号验证了增强样本的物理合理性。在公开数据集和私有数据集上的实验表明，所提方法在不平衡条件下分别达到了97.60%和99.86%的诊断准确率，优于现有增强方法，显示出提升轴承故障诊断可靠性的巨大潜力。在两个数据集上，所提方法均改善了诊断性能，在解决类别不平衡方面效果最为显著。增强信号与实测特征高度吻合，支持了该方法在不同条件下的可靠性和适用性。这些改进在少数类故障中尤为明显，表明物理引导的约束有助于保持关键动力学特征，并增强严重不平衡条件下分类器的鲁棒性。展望未来，轴承故障诊断有望朝着更先进的、物理引导的神经网络架构发展，将数据驱动方法的适应性与物理建模的可解释性相结合。随着数字孪生技术在工业监测中的日益普及，未来研究将把时间卷积网络、Transformer或其他高效特征提取器融入基于数字孪生的物理信息自编码器，并开发更精细的轴承动力学模型，以更好地捕捉复杂的运行行为并提升生成故障数据的准确性。当前网络结构虽然有效，但限制了更高保真度信号重构的能力，且其性能主要在故障特征清晰明确的条件下得到验证。在低保真度数字孪生或噪声更强的环境中，诊断性能可能会略有下降。基于先进架构与精细动力学模型融合的前景，该框架将得到改进，并可能具备应用于实时监测和零样本故障诊断的潜力，同时也有望部署于标注故障数据稀缺或不可用的环境中。通过进一步改进，该方法还可能具备在变化及前所未见的条件下进行测试的能力，以帮助确保鲁棒性并拓宽其在实际工业场景中的适用性。 编辑：赵栓栓校核：李正平、陈凯歌、曹希铭、赵学功、白亮、任超、海洋、陈宇航、Kira、Tina、王金、赵诚、肖鑫鑫、张优该文资料搜集自网络，仅用作学术分享，不做商业用途，若侵权，后台联系小编进行删除来源：故障诊断与python学习