多模态机制改进差分自编码的时变速滚动轴承数据增强方法

doi:10.3901/JME.260600

机械工程学报 ›› 2026, Vol. 62 ›› Issue (11): 353-361.doi: 10.3901/JME.260600

• 数字化设计与制造 • 上一篇

扫码分享

多模态机制改进差分自编码的时变速滚动轴承数据增强方法

王振亚^1,2, 刘韬^1,2, 吴峰崎³, 伍星^2,4

1. 昆明理工大学机电工程学院昆明 650500;
2. 云南省先进装备智能制造技术重点实验室昆明 650500;
3. 上海市特种设备监督检验技术研究院起重机械型式试验中心上海 200062;
4. 滇西应用技术大学大理 671009

收稿日期:2025-10-31 修回日期:2026-02-20 发布日期:2026-07-29
作者简介:王振亚,男,1996年出生,博士研究生,讲师。主要研究方向数据不平衡条件下的智能装备故障诊断。E-mail:zy2022w@126.com;刘韬(通信作者),男,1980年出生,博士,教授,博士研究生导师。主要研究方向为现代信号处理理论与方法,基于人工智能理论的设备智能诊断、性能评估预测以及装备健康运维系统研发应用。E-mail:kmliutao@aliyun.com
基金资助:
国家自然科学基金(52065030)、云南省“兴滇英才支持计划”产业创新人才(KKXY202401001)、云南省教育厅科学研究基金研究生类(2024Y128)、云南省博士生服务产业科研创新培育(FWCY-BSPY2024056)资助项目。

Multimodal Mechanism Enhanced Variational Autoencoder for Variable Speed Rolling Bearing Data Augmentation Methods

WANG Zhenya^1,2, LIU Tao^1,2, WU Fengqi³, WU Xing^2,4

1. Electromechanical Engineering School, Kunming University of Science and Technology, Kunming 650500;
2. Yunnan Key Laboratory of Advanced Equipment Intelligent Manufacturing Technology, Kunming 650500;
3. Crane Type Testing Center, Shanghai Institute of Special Equipment Supervision, Inspection and Technology, Shanghai 200062;
4. West Yunnan University of Applied Sciences, Dali 671009

Received:2025-10-31 Revised:2026-02-20 Published:2026-07-29

摘要/Abstract

摘要： 针对差分自编码器(Variational autoencoder,VAE)在数据增强时重构质量不佳，潜在空间分布不准确的问题，提出了一种多模态机制改进VAE (Multi-modal mechanism enhanced VAE,MMEVAE)的时变速滚动轴承数据增强方法。首先，将采集到的时变速轴承振动信号进行短时傅里叶变换得到信号的时频分布矩阵，依次计算每个时间窗口上频谱的熵并进行归一化，得到归一化时频熵谱图(Normalized time-frequency entropy spectrum,NTFES)作为模型的输入；然后，引入高斯混合模型(Gaussian mixture model,GMM)重新定义潜在空间，基于贝叶斯信息准则(Bayesian information criterion,BIC)与互信息(Mutual information,MI)对潜在空间的高斯分布个数进行评估和选择，在图像重建质量和模型复杂度之间取得平衡，并基于多模态特点改进了损失函数以提高模型拟合能力；其次，在模型中嵌入自注意力机制(Self-attention mechanism,SAM)，增强模型对关联信息的特征提取能力以提高图片生成质量；最后，使用真实的变转速轴承故障模拟实验验证了方法的有效性。实验结果表明，所提方法能生成高质量的虚拟数据，可有效提高“变速-数据不平衡”条件下滚动轴承的诊断精度。

关键词: 差分自编码, 多模态机制, 不平衡数据, 变转速, 故障诊断

Abstract: To address the issues of poor reconstruction quality and inaccurate latent space distribution in Variational Autoencoder (VAE) during data augmentation, a multi-modal mechanism enhanced VAE (MMEVAE) method for time-varying speed rolling bearing data augmentation is proposed. Firstly, the collected vibration signals are short-time Fourier transformed to obtain the time-frequency distribution matrix of the signals, and the entropy of the spectra in each time window is calculated and normalized in turn, so that the NTFES is obtained as the input of the model. Then, GMM is introduced to redefine the potential space, and the number of distributions of the model’s potential space models is evaluated and selected based on BIC and mutual information MI, so that the quality of image reconstruction and model complexity can be improved. Secondly, the SAM is embedded in the model to capture the correlation information between layers more effectively to enhance the quality of image generation. Finally, the effectiveness of the proposed method is verified using a real variable speed bearing fault simulation experiment. The experimental results show that the proposed method can generate high-quality virtual samples to improve the diagnostic accuracy.

Key words: variational autoencoder, multimodal mechanism, imbalanced data, variable speed, fault diagnosis

中图分类号:

TG156

王振亚, 刘韬, 吴峰崎, 伍星. 多模态机制改进差分自编码的时变速滚动轴承数据增强方法[J]. 机械工程学报, 2026, 62(11): 353-361.

WANG Zhenya, LIU Tao, WU Fengqi, WU Xing. Multimodal Mechanism Enhanced Variational Autoencoder for Variable Speed Rolling Bearing Data Augmentation Methods[J]. Journal of Mechanical Engineering, 2026, 62(11): 353-361.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://www.cjmenet.com.cn/CN/10.3901/JME.260600

http://www.cjmenet.com.cn/CN/Y2026/V62/I11/353

参考文献

[1] HOU Bingchang，WANG Dong，PENG Zhike，et al. Adaptive fault components extraction by using an optimized weights spectrum based index for machinery fault diagnosis[J]. IEEE Transactions on Industrial Electronics，2024，71(1)：985-995.
[2] 黄海松，魏建安，任竹鹏，等. 基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断[J]. 振动与冲击，2020，39(10)：65-74，132. HUANG Haisong，WEI Jianan，REN Zhupeng，et al. Rolling bearing fault diagnosis based on unbalance sample characteristic oversampling algorithm and SVM[J]. Journal of Vibration and Shock，2020，39(10)：65-74，132.
[3] AZAMFAR M，SINGH J，BRAVO-IMAZ I，et al. Multi sensor data fusion for gearbox fault diagnosis using 2-D convolutional neural network and motor current signature analysis[J]. Mechanical Systems and Signal Processing，2020，144(1)：108664-108688.
[4] 王振亚，刘韬，伍星. 互信息规范的卷积神经网络及其在轴承故障特征提取中的应用[J]. 机械工程学报，2024，60(12)：137-146. WANG Zhenya，LIU Tao，WU Xing. Convolutional neural network with mutual information specification and its application in bearing fault feature extraction[J]. Journal of Mechanical Engineering，2024，60(12)：137-146.
[5] WANG Youming，CHENG Liu. A combination of residual and long-short-term memory networks for bearing fault diagnosis based on time-series model analysis[J]. Measurement Science and Technology，2021，32(1)：1-10.
[6] WANG Zhenya，LIU Tao，WU Xing，et al. Application of an oversampling method based on gmm and boundary optimization in imbalance-bearing fault diagnosis[J]. IEEE Transactions on Industrial Informatics，2024，20(2)：1931-1940.
[7] 刘东东，程卫东，万广通. 基于故障特征趋势线模板的滚动轴承故障诊断[J]. 机械工程学报，2017，53(9)：83-91. LIU Dongdong，CHENG Weidong，WAN Guangtong. Fault diagnosis of rolling bearing based on fault characteristic trend line template[J]. Journal of Mechanical Engineering，2017，53(9)：83-91.
[8] 张宗振，王金瑞，韩宝坤，等. 非线性稀疏盲解卷积的轴承早期故障诊断方法[J]. 机械工程学报，2023，59(16)：157-166. ZHANG Zongzhen，WANG Jinrui，HAN Baokun，et al. Early bearing fault diagnosis based on nonlinear sparse blind deconvolution[J]. Journal of Mechanical Engineering，2023，59(16)：157-166.
[9] 邵海东，颜深，刘政武，等. 面向小样本场景的风机多增量故障诊断[J]. 机械工程学报，2024，60(8)：1-10. SHAO Haidong，YAN Shen，LIU Zhengwu，et al. For small sample of the scene fan fault diagnosis more incremental[J]. Journal of Mechanical Engineering，2024，60(8)：1-10.
[10] LIU Jie，ZHANG Changhe，JIANG Xingxing. Imbalanced fault diagnosis of rolling bearing using improved MsR-GAN and feature enhancement-driven CapsNet[J]. Mechanical Systems and Signal Processing，2022，168(1)：108644-108667.
[11] FAN S K S，TSAI D M，YEH P C. Effective variational autoencoder based generative models for highly imbalanced fault detection data in semiconductor manufacturing[J]. IEEE Transactions on Semiconductor Manufacturing，2023，36(2)：205-214.
[12] 王志颖，李天福，许文纲，等. 降噪混合注意力变分自编码器及其在轴向柱塞泵故障诊断中的应用[J]. 机械工程学报，2024，60(4)：167-177. WANG Zhiying，LI Tianfu，XU Wengang，et al. Noise reduction hybrid attention variational autoencoder and its application in fault diagnosis of axial piston pump[J]. Journal of Mechanical Engineering，2024，60(4)：167-177.
[13] LI Mengnan，LI Kun，YE Zhen，et al. Bearing fault diagnosis under small sample data based on SE-VAE and M1DCNN[J]. Mechanical Science and Technology for Aerospace Engineering，2024，43(5)：773-780.
[14] ZHAO Dongfang，LIU Shulin，MIAO Zhonghua，et al. Subdomain adaptation joint attention network enabled two-stage strategy towards few-shot fault diagnosis of LRE turbopump[J]. Advanced Engineering Informatics，2024，60(1)：102366-102380.
[15] WANG Zhenya，LIU Tao，WU X，et al. A fault diagnosis method based on NTFES-FCCT for variable working condition bearing signals[J]. IEEE Sensors Journal，2024，24(13)：20989-20998.
[16] 尹爱军，陈小敏，谭建，等. 深度概率优化的VAE轴承状态评估[J]. 振动与冲击，2021，40(20)：186-192. YIN Aijun，CHEN Xiaomin，TAN Jian，et al. VAE bearing state evaluation with deep probability optimization[J]. Journal of Vibration and Shock，2021，40(20)：186-192.
[17] YANG Dan，PENG Xin，SU Cheng，et al. Regularized wasserstein distance-based joint distribution adaptation approach for fault detection under variable working conditions[J]. IEEE Transactions on Instrumentation and Measurement，2024，73(1)：1-11.
[18] 邵海东，李伟，刘翊，等. 时变转速下基于双阈值注意力生成对抗网络和小样本的转子-轴承系统故障诊断[J]. 机械工程学报，2023，59(12)：215-24. SHAO Haidong，LI Wei，LIU Yi，et al. Fault diagnosis of rotor-bearing system based on dual threshold attention generation adversarial network and small sample under time-varying speed[J]. Journal of Mechanical Engineering，2023，59(12)：215-224.
[19] DOU Huili，LIU Yuanyuan，CHEN Sirui，et al. A hybrid CEEMD-GMM scheme for enhancing the detection of traffic flow on highways[J]. Soft Computing，2023，27(21)：16373-16388.
[20] LI Wei，ZHONG Xiang，SHAO Haidong，et al. Multi-mode data augmentation and fault diagnosis of rotating machinery using modified ACGAN designed with new framework[J]. Advanced Engineering Informatics，2022，52(1)：101552-101568.

多模态机制改进差分自编码的时变速滚动轴承数据增强方法

Multimodal Mechanism Enhanced Variational Autoencoder for Variable Speed Rolling Bearing Data Augmentation Methods

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李志农, 余紫莹, 王奉涛, 李喆. 小波赋能联邦学习的机械故障诊断[J]. 机械工程学报, 2026, 62(9): 182-190.
[2]	潘海洋, 陈春安, 郑近德, 童靳于, 程健. 基于多任务孪生核矩阵机的机械故障诊断方法[J]. 机械工程学报, 2026, 62(9): 191-200.
[3]	郑思远, 李晓宇, 魏欣宇, 魏卓豪. 基于磁场的电池外部短路故障诊断方法[J]. 机械工程学报, 2026, 62(6): 220-227.
[4]	王维民, 刘延振. 基于叶尖监测的航空发动机故障诊断与预警技术研究综述[J]. 机械工程学报, 2026, 62(2): 1-16.
[5]	吴艳灵, 汤宝平, 邓蕾, 付豪. 低通筛选优化神经架构搜索的风电齿轮箱边缘侧故障诊断方法[J]. 机械工程学报, 2025, 61(7): 361-372.
[6]	雷亚国, 李熹伟, 李响, 李乃鹏, 杨彬. 面向机械设备通用健康管理的智能运维大模型[J]. 机械工程学报, 2025, 61(6): 1-13.
[7]	韩长坤, 卢威, 宋浏阳, 王华庆. 特征原子稀疏解析的多状态机械故障诊断方法[J]. 机械工程学报, 2025, 61(6): 33-42.
[8]	刘文朋, 杨绍普, 刘永强, 顾晓辉, 王久健. 轮轨激励下高速列车轴箱轴承故障诊断方法研究[J]. 机械工程学报, 2025, 61(6): 249-259.
[9]	李华, 王天杨, 张飞斌, 褚福磊. KurVMDPgram：一种用于旋转机械故障诊断的信号分解算法[J]. 机械工程学报, 2025, 61(4): 11-23.
[10]	乐珂, 李霁蒲, 陈祝云, 何国林, 邓书涵, 李巍华. 基于无源自监督域适应的旋转机械跨域新故障诊断方法[J]. 机械工程学报, 2025, 61(3): 67-76.
[11]	李嘉佳, 易茜, 冯毅雄, 朱鹏兴, 易树平. 人本智造单元中人-智能系统协同双智能体工作机制研究[J]. 机械工程学报, 2025, 61(3): 105-118.
[12]	门志辉, 宫岛, 周劲松, 周凯. 基于格拉姆角场与并行卷积Transformer的列车传动系统故障诊断方法[J]. 机械工程学报, 2025, 61(24): 168-179.
[13]	黄金凤, 王成城, 何宏亮, 王旭, 李奇, 杨康定, 王凯, 张飞斌, 秦朝烨, 褚福磊. 思维链范式智能运维文本基多模态智能体[J]. 机械工程学报, 2025, 61(23): 58-74.
[14]	胡济民, 罗洋, 于亦浩, 石娟娟, 黄伟国, 沈长青, 朱忠奎. 多源内部故障激励下深沟球轴承三维动态解析建模及振动分析[J]. 机械工程学报, 2025, 61(23): 96-107.
[15]	郑近德, 丁文海, 程健, 李姜宏, 桑炜. 基于故障特征显著性指数图的滚动轴承最优解调频带识别方法[J]. 机械工程学报, 2025, 61(23): 108-119.