论文题目Bearing fault diagnostic framework under unknown working conditions based on condition-guided diffusion model基于条件引导扩散模型的未知工况轴承故障诊断框架期刊Measurement (2025)摘要故障诊断对于确保智能制造的安全至关重要。目前的诊断方法需要跨越各种工作条件的数据。然而工业环境提供的轴承故障数据稀缺导致传统智能诊断方法的故障或性能下降。获取完整的工业环境样本是密集和不切实际的。获取工业环境的全面样本既耗费资源又不切实际。针对这种情况提出了一种基于扩散模型的未知状态诊断框架(DiffUCD)该框架有效地集成了扩散模型的生成能力和状态引导信息(CGI)的学习即通过前向去噪过程将有限工况下的信号逐步转化为噪声。然后通过反向去噪过程从噪声中重建信号。此外还设计了一种条件引导的嵌入条件估计(CGE-UNET)结构用于提取CGI用于反向过程中的噪声水平预测。此外构造了一个无监督聚类滤波器(UCFilter)来选择产生后的合格信号。使用专门的CGI可以生成未知工况下的信号。最后在两个公共方位数据集(SDUST和PU)上进行了大量的实验和验证与最新的基线相比验证了该方法的有效性超参数分析证实了DiffUCD的进步。DiffUCD基于条件引导扩散模型的未知工况轴承故障诊断框架一、背景与问题旋转机械如轴承、齿轮箱是现代工业的核心部件其健康状态的实时监测对保障智能制造的安全至关重要。近年来基于深度学习的数据驱动故障诊断方法取得了显著进展但这些方法高度依赖一个前提假设训练集与测试集的数据分布保持一致。然而在真实工业场景中这一假设往往难以满足主要体现在以下三个挑战工况多变性旋转部件频繁在不同转速和负载下运行导致数据分布持续变化标注数据稀缺在所有可能的运行工况下采集完整的带标签故障数据在工程实践中代价极高甚至不可行域偏移问题Domain Shift直接使用来自其他机器或不同工况的标记数据进行补充训练会因源域与目标域之间的特征分布差异而导致诊断性能严重下降。现有方法的局限性为解决上述问题研究者们先后探索了多种路径经验风险最小化ERM在域偏移存在的情况下直接失效模型无法泛化到未见工况域自适应DA可以迁移源域知识但受限于封闭集假设无法处理特征分布根本不同的目标域域泛化DG支持多源域训练但同样无法处理完全未见的工况和故障类型生成对抗网络GAN支持域增强但存在训练不稳定、模式崩溃等固有缺陷且对未见域知识的理解能力有限难以生成真正未知工况下的样本。【配表】Table 1不同方法对跨域故障诊断能力的对比域偏移/多源域/未见故障与工况/域增强上表清晰地显示只有 DDPM去噪扩散概率模型在所有四个维度均满足要求而其他方法均存在不同程度的局限。核心问题能否设计一个稳定、有效的框架利用扩散模型的生成能力在仅有有限已知工况数据的情况下生成高质量的未知工况故障信号进而实现对未知工况的精准诊断二、本文提出的方法DiffUCD为解决上述问题论文提出了基于条件引导扩散模型的未知工况诊断框架DiffUCDDiffusion-based Unknown Condition Diagnosis Framework。该框架有机融合了扩散模型的生成能力与条件引导信息CGICondition-Guided Information的嵌入学习核心由三个模块构成。【配图】Fig. 2DiffUCD 整体框架结构示意图包含 DDPM-Backbone、条件嵌入模块和信号筛选与诊断模型训练模块2.1 DDPM 主干网络DiffUCD 以去噪扩散概率模型DDPM为基础骨干。扩散模型包含两个过程前向过程加噪将已知工况下的原始信号逐步混入高斯噪声经过 t 步后得到近似纯噪声的其中为超参数为高斯噪声。反向过程去噪生成模型从随机高斯噪声出发逐步预测并去除噪声最终生成目标分布下的信号训练目标是最小化噪声预测误差【配图】Fig. 1DDPM 的前向加噪与反向去噪过程示意图相较于 GANDDPM 具备简洁的目标函数、稳定的训练过程以及少样本/零样本生成能力非常适合工业场景下数据稀缺的故障诊断问题。2.2 条件引导嵌入 UNetCGE-UNetCGE-UNet 是 DiffUCD 的核心创新它用带有条件编码器Condition Encoder, CE 注意力机制的新型结构取代了 DDPM 中传统的 U-Net实现了工况信息向扩散生成过程的精准注入。【配图】Fig. 3CGE-UNet 详细结构图含编码注意力块、解码注意力块和条件嵌入模块1编码注意力块自注意力在编码阶段对上一去噪步骤生成的信号特征施加自注意力通过可学习矩阵提取并重新加权信号特征2解码注意力块交叉注意力在解码阶段引入交叉注意力将工况条件信息融合进来。编码后的信号特征作为 Query条件特征作为 Key 和 Value这一交叉注意力机制使模型能够根据工况语义对信号特征进行加权确保生成过程受到目标工况信息的有效引导。3条件编码器CE工况条件转速 rpm 和负载 load与当前时间步 t 一同输入条件编码器。CE 由一个自适应输入层和三个带激活函数的线性层构成自适应输入层确保 CE 能根据条件向量的长度自动调整输入通道数使框架具备处理不同工况参数的灵活性。关键思路在生成阶段只需将目标未知工况的 rpm 和 load 值输入 CE即可引导扩散模型生成该工况下的故障信号从而实现对未见工况的按需生成。2.3 无监督聚类筛选器UCFilter扩散模型生成的信号质量参差不齐直接将所有生成信号用于下游诊断模型训练可能引入噪声。为此论文设计了基于 K-means 聚类的无监督信号质量筛选器 UCFilter。【配图】Fig. 4UCFilter 样本筛选流程图K-means 聚类 → KL 散度计算 → 边界决策 → 优质信号筛选UCFilter 的核心步骤对所有生成信号进行K-means 无监督聚类利用KL 散度度量高维空间联合概率与低维空间联合概率之间的分布差异计算每个生成样本的值根据期望保留比例决定筛选边界选取距离簇中心最近的 n 个样本作为优质信号。超参数 k 控制筛选严格程度实验表明k 0.7 时性能最佳——k 过小会因样本不足而使特征分布偏离真实分布k 过大则会引入过多低质量样本。三、生成质量评估方法为全面评估未见工况下的生成质量论文采用了两类互补的评估方法MMD最大均值差异度量生成信号分布与真实信号分布之间的距离值越低表示分布越接近。GAN-train / GAN-testGAN-train用生成样本训练分类器用真实样本测试——衡量生成样本的多样性和真实性GAN-test用真实样本训练分类器用生成样本测试——衡量生成样本的特征捕获能力。【配图】Fig. 5GAN-train / GAN-test 评估方法流程图四、实验验证4.1 数据集与实验设置论文在两个公开轴承数据集上进行验证SDUST 数据集包含电机、转轴、轴承、齿轮箱和制动器轴承型号 N205EU。4 种健康状态正常、内圈故障、滚动体故障、外圈故障4 个转速工况1000/1500/2000/2500 rpm共 10 种健康类别每类 100 个样本每样本 2048 个数据点。设置 4 个诊断任务T1~T4每次将其中一个转速作为未知目标域。【配表】Table 2SDUST 数据集的诊断任务设置已知域/未知域划分PU帕德博恩大学数据集测试台由电机、扭矩测量轴、轴承测试模块、飞轮和负载电机组成。7 种健康状态正常 N内圈故障 IF1/IF2/IF3外圈故障 OF1/OF2复合故障 CF4 种工况组合转速 Hz 负载 Nm 径向力 N采样频率 64 kHz每种故障类别每个域含 2000 个样本。设置 4 个诊断任务R1~R4。【配表】Table 5PU 数据集故障类别详情故障代码、损伤类型、组合方式和损伤等级【配表】Table 6PU 数据集诊断任务设置工况参数/已知条件/未知条件划分对比方法包括VGAN、DCGAN、WGAN-GP 和 AAE所有生成模型均在相同数据集上训练训练轮数均设置为 1000 epochs使用 Adam 优化器学习率每 20 个 epoch 衰减 0.1 倍。【配图】Fig. 6SDUST 数据集a和 PU 数据集b实验平台实物图4.2 Case 1SDUST 数据集结果生成质量评估MMD 评估在 10 种故障类型上DiffUCD 生成样本与原始真实样本之间的平均 MMD 分数仅为0.947显著低于其他所有对比模型AAE 平均约 1.6、DCGAN 约 1.3、Vanilla GAN 约 2.5、WGAN-GP 约 1.9充分说明 DiffUCD 生成的信号分布与真实分布最为接近。【配图】Fig. 7Case 1 中各模型生成样本与真实样本之间的 MMD 分数对比含 10 种故障类型详细数值GAN-train / GAN-test 评估DiffUCD 的 GAN-test 准确率达96.41%GAN-train 准确率达96.57%均优于其他所有对比方法WGAN-GPGAN-test 93.10%、GAN-train 93.58%DCGANGAN-test 79.74%VGANGAN-test 67.25%AAEGAN-test 62.35%。高 GAN-test 分数表明模型具备最强的特征捕获能力高 GAN-train 分数则证明了生成样本的多样性和真实性。【配表】Table 3Case 1 中各模型的 GAN-Train 和 GAN-Test 准确率对比诊断性能在 4 个未知工况诊断任务上DiffUCD 的平均诊断准确率达到95.86%全面超越其他方法WGAN-GP92.24%DCGAN89.46%AAE88.52%Vanilla GAN85.86%。【配图】Fig. 8Case 1 各诊断任务T1~T4下不同模型的诊断准确率对比柱状图特征可视化t-SNE通过 t-SNE 对分类器隐藏层输出进行可视化可以直观看到AAE、DCGAN 和 Vanilla GAN 生成的特征对 I02 故障的区分能力极差类间边界模糊WGAN-GP 虽有所改善但在未知工况下 I02 的特征簇仍存在交叠。而 DiffUCD 生成的特征具有最清晰的类间决策边界说明生成样本质量最高。【配图】Fig. 9Case 1 中各方法的 t-SNE 特征可视化对比AAE/DCGAN/Vanilla GAN/WGAN-GP/Proposed含已知工况与未知工况样本4.3 Case 2PU 数据集结果生成质量评估MMD 评估DiffUCD 在所有 7 种故障类别上的平均 MMD 分数为0.884显著低于 AAE1.616、DCGAN1.642、Vanilla GAN1.546和 WGAN-GP2.651。【配表】Table 4Case 2 中各故障类别的详细 MMD 分数对比【配图】Fig. 10Case 2 中各模型生成样本与真实样本 MMD 分数的雷达图对比GAN-train / GAN-test 评估DiffUCD 的 GAN-test 准确率为96.32%GAN-train 准确率为96.58%同样大幅领先其他模型WGAN-GPGAN-test 93.11%VGANGAN-test 79.77%DCGANGAN-test 67.21%AAEGAN-test 62.38%。【配表】Table 7Case 2 中各模型的 GAN-Train 和 GAN-Test 准确率对比诊断性能在 4 个诊断任务R1~R4上DiffUCD 的平均诊断准确率为95.01%再次超越所有对比方法WGAN-GP89.43%AAE85.97%Vanilla GAN85.50%DCGAN76.55%。【配图】Fig. 11下方柱状图部分Case 2 各诊断任务R1~R4下不同模型诊断准确率对比时域与频域信号验证论文进一步对生成信号进行时域与频域的定性验证。在测试集 R1 中训练集中不存在转速 40 Hz 负载 1000 N 的样本组合DiffUCD 成功生成了该未见工况下的内圈故障IF1/KI21、外圈故障OF1/KA04和复合故障CF/KB23三类信号。【配图】Fig. 11上方时域波形部分PU 数据集 R1 上生成信号与真实信号的时域对比(a) 内圈故障 (b) 外圈故障 (c) 复合故障频域对比结果表明生成信号与真实信号在 0~1200 Hz 低频段具有高度相似的频谱特征。在内圈故障特征频率BPFI附近生成信号也呈现出一致的峰值特征——PU 数据集最高转速 25 Hz 时最高特征故障频率约为 247.26 Hz生成信号在该频率处与真实信号吻合良好。【配图】Fig. 13Case 2 中生成信号与真实信号的频域对比图0~10000 Hz 宽频 0~1600 Hz 局部放大未见工况下的特征分布可视化通过对 4 个任务下的特征分布进行 t-SNE 可视化可以看到已见工况Condition 1/2/3和未见工况下同一故障类型的样本形成清晰的聚类簇且未见工况的特征与已见工况的特征保持类别一致性证明学习到的特征是领域无关domain-invariant且与故障相关的。【配图】Fig. 14PU 数据集未见工况深蓝色与已见工况特征的 t-SNE 分布可视化(a) p1, (b) p2, (c) p3, (d) p4五、超参数敏感性分析论文对 DiffUCD 框架中的关键超参数进行了系统分析初始参数设置如下条件编码器层数 3、注意力编码/解码层数各 3、扩散步数 t1200、、、UCFilter 筛选比例 k0.7。【配表】Table 8DiffUCD 主要架构和参数设置扩散步数 t在 {500, 750, 1000, 1250, 1500} 中进行对比实验固定 k0.7。结论t 超过 1000 步后性能趋于稳定t 从 1000 增至 1500 时性能提升不再显著。扩散步数不应低于 1000综合效果与计算代价最终取 t1200。UCFilter 筛选比例 k在 {0.1, 0.3, 0.5, 0.7, 0.9} 范围内进行对比。结论k 0.5 时性能低于 AAE 基线k过大时过多低质量信号拉低诊断性能k 0.7 为最优选择。【配图】Fig. 15(a) 不同扩散步数下各任务的诊断准确率(b) 不同 UCFilter k 值下各任务的诊断准确率反向去噪过程参数与在 64 种参数组合上进行实验。结论对诊断性能的影响大于当且时模型训练最为稳定性能最佳。【配图】Fig. 1664 种超参数组合下诊断准确率的三维曲面图及二维折线图CGE-UNet 网络深度条件编码器和注意力编码/解码块的层数在 {2, 3, ..., 10} 范围内并行搜索。结论条件编码器在层数为 {3, 7} 时效果良好注意力块在层数为 {3, 4, 9, 10} 时效果良好。综合训练代价条件编码器 3 层 注意力块 3 或 4 层为最优组合。【配图】Fig. 17不同网络层数下的 GAN-test 准确率曲线条件编码器 vs. 注意力编码/解码块六、总结核心贡献回顾本文提出的DiffUCD 框架围绕未知工况下的轴承故障诊断这一关键挑战做出了以下三个核心贡献框架设计首次将扩散模型与工况条件引导信息CGI有机结合提出 DiffUCD 框架通过前向加噪 反向去噪的过程结合目标工况的 rpm 和 load 条件信息按需生成未知工况下的高质量故障信号CGE-UNet 结构设计了基于注意力机制的条件引导嵌入 UNet通过自注意力信号特征重加权 交叉注意力条件信息融合的双重机制将工况条件信息精准注入扩散生成过程并配以 UCFilter 筛选优质生成样本全面实验验证在 SDUST 和 PU 两个公开数据集上DiffUCD 在 MMD、GAN-train/test 和诊断准确率三个维度上均全面超越 AAE、DCGAN、Vanilla GAN 和 WGAN-GP 四种基线方法在两个数据集上的平均诊断准确率分别达到95.86%和95.01%。方法优势总结相比 GAN 类方法扩散模型训练稳定无模式崩溃问题条件嵌入机制使框架能够按工况定制生成而非局限于已见工况的分布UCFilter 在无监督条件下有效提升生成样本质量超参数分析为工程实践提供了明确的参数设置指导。局限性与展望框架目前主要以转速rpm和负载load作为工况条件变量在更复杂、多变量工况场景下的泛化能力有待进一步探索。未来可考虑将 DiffUCD 扩展至温度、润滑状态等更多工况参数并探索与物理先验知识的结合作者团队已有相关工作 DiffPhysiNet以进一步提升生成信号的物理合理性。