（论文速读）ClassBD：让盲反卷积与故障分类器协同学习的抗噪轴承诊断方法- 惊觉

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 Processing，2025

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、( $l_2/l_4$ ) 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 Deconvolution，BD）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 1：ClassBD 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：

$y=\sigma\big((W_1x+b_1)\odot(W_2x+b_2)+W_3*(x\odot x)+b_3\big)$

其中，(*) 表示卷积，( $\odot$ ) 表示逐元素乘法，( $W_i$ ) 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 Spectrum，ES），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 ( $l_2/l_4$ ) 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 ( $l_4/l_2$ ) 与频域 ( $l_2/l_4$ ) 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 ( $L_t$ )、频域包络谱稀疏损失 ( $L_f$ ) 和分类交叉熵 ( $L_c$ ) 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

$L_f=\frac{\sum_f ES(f)^2}{\sqrt{\sum_f ES(f)^4}}$

其中 (ES(f)) 为包络谱幅值；( $L_c$ ) 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）：

$L=\frac{L_c}{\sigma_c^2}+\frac{L_t}{\sigma_t^2}+\frac{L_f}{\sigma_f^2} +\log\sigma_c+\log\sigma_t+\log\sigma_f$

其中 ( $\sigma_c,\sigma_t,\sigma_f$ ) 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 FPR（10 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 5：PU 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 7：JNU 数据集不同噪声强度下的 F1 与 FPR

JNU 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 4：HIT 轴承试验台与三类故障样本

论文 Table 9：HIT 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 5：HIT、−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 ms；DRSN 为 107.93 ms，WaveletNet 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 3：PU 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 PU（0 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 7：VMD 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 11：JNU 数据集不同 BD 方法的故障频率指标 FFI

论文 Figure 8：JNU 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 0.17，ClassBD 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 F1

PU、−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。

转载自 CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/LJ1147517021/article/details/168770863

（论文速读）ClassBD：让盲反卷积与故障分类器协同学习的抗噪轴承诊断方法