中国指挥与控制学会会刊 
随着现代海上船舶向智能化、高机动、多任务方向不断演进,船舶作为核心平台,其动力系统的运行稳定性正日益成为保障船舶航行能力的重要支撑因素[1]。如图1所示,轴间轴承作为连接同轴双转子的关键支承结构,广泛应用于船载燃气轮机等船舶动力装置中,其健康状态直接影响动力输出的平稳性与任务执行的连续性[2]。由于该类轴承通常处于高速旋转、高温、强耦合且不可直视的密闭舱段环境下,一旦发生损伤,往往难以及时发现与定位,严重时可能引发转子系统连锁故障,导致整船停机甚至任务中断[3]。因此,研究人员针对船载轴间轴承开展具备高精度、低延迟与强鲁棒性的状态感知与智能诊断研究,具有突出的工程价值与意义[4]。
目前,针对旋转机械轴承的状态识别与故障诊断,已有大量研究聚焦于基于深度神经网络(DNN)、卷积神经网络(CNN)与循环神经网络(RNN)等模型的特征提取与模式识别方法[5-8]。这些方法在标准数据集或理想实验环境中表现出一定的性能优势,但在应对船舶实际应用中常见的多源异构信息融合、任务工况频繁切换及物理过程动态演化建模一致性等方面仍存在明显不足。特别是在船载环境下,轴间轴承的故障信号通常呈现稀疏、短促、高频扰动等特征,受传感布设受限与背景噪声干扰影响,传统方法往往面临识别精度下降、模型泛化能力弱、推理开销高等问题,难以满足高风险、高强度环境下的实时诊断与自主响应需求[9]。
此外,依赖单一模态数据或静态特征模型的诊断方法无法充分刻画轴间轴承在实际服役中表现出的非线性、多尺度、非平稳动态特征。现有模型缺乏对动力系统结构物理规律、故障演化路径与时空耦合行为的建模能力,难以在复杂任务转换及负载波动条件下保持稳定的诊断精度[10]。
为此,本文面向船舶部件中轴间轴承的复杂诊断任务,提出一种融合多源数据建模与物理约束机制的多维数实融合智能诊断方法。在感知建模层,本文引入实时传感器观测、物理建模仿真与历史故障样本,通过特征对齐与语义统一空间构建,增强对故障模式的抽象能力与时间一致性表达;在核心诊断结构中,采用脉冲神经网络(Spiking Neural Network, SNN)[11]作为主干架构,结合事件驱动处理、时序动态建模与稀疏能效优势,适配船载轴间轴承中多时域高频微弱信号的识别需求;同时,引入结构物理先验与演化反馈机制,构建具备数实同步特性与自适应能力的诊断模型,使其在任务切换、传感数据漂移等典型船载变工况下依然保持较强的稳健性与泛化能力。本文在体现真实船舶动力系统的轴间轴承测试平台及近工况模拟环境下开展系统验证,结果表明所提出方法在诊断精度、响应实时性与资源效率方面均优于传统深度模型,展现出基于SNN的数实融合方法在船载部件智能保障中的广泛应用潜力。
1 多源异构信息融合机制
在智能诊断任务中,特征提取质量直接决定模型对复杂运行状态下故障特征的感知与判别能力。针对轴间轴承多源、多模态输入信号特性,本文构建了一种面向异构数据融合的故障特征增强机制,核心包括多模态脉冲编码、多维状态对齐、语义建模强化与低维模式压缩4个子模块,以实现跨模态时序特征的统一建模与表达增强。作者首先通过设计多尺度脉冲编码器,将振动、转速、任务负载等异构输入分别转化为离散化的脉冲时序序列,从而适配事件驱动型神经网络的输入机制;作者构建跨模态状态融合模块,以时间窗口对齐和嵌入映射方式对不同模态间的采样间隔与语义差异进行统一校正,增强多源数据间的联动响应能力;作者为进一步提升各模态在诊断任务中的判别贡献,再次,引入脉冲加性注意力机制,动态评估模态对故障特征的重要性,实现加权聚焦与深度融合;最后,构建特征压缩映射通路,将高维冗余信息投影至低维诊断子空间,提升模型在边缘部署场景下的推理效率。
上述特征增强方法集成了脉冲神经建模策略。如图2所示在事件建模层面,本文基于“积分-放电”机制构建了柔性脉冲神经元,其时序演化过程由下式描述:
当神经元膜电位V(t)达到阈值后触发放电,并将膜电位重置为Vrest。其中,V(t)表示脉冲神经元在时刻t 的膜电位(membrane potential),其刻画了神经元受到输入脉冲后膜内外电位差的动态变化过程,是决定神经元是否产生脉冲发放的核心状态变量。此外,为模拟神经可塑性特征并控制脉冲发放强度,本文引入阈值自适应调节机制,通过误差梯度反馈更新膜电位阈值如下:
Vth(t+1)=Vth(t)-δ·$\frac{\partial E}{\partial {V}_{th}}$
该调节策略有效平衡了脉冲稀疏性与信息保真度,提升了网络在低能耗下的表达能力。
为解决异步采样与语义不一致性问题,本文提出多头脉冲加性注意力机制。首先,对各模态输入进行脉冲编码与嵌入归一化,统一其时间分辨率。然后通过可学习映射生成Query、Key、Value 向量:
Q=SNQ(BN(XWQ))
K=SNK(BN(XWK))
V=SNV(BN(XWV))
在此基础上,本文构建缩放型时序注意力机制以聚焦多模态间的关键特征如下:
SSA'(Q,K,V)=SN(QKTV*μ)
本文最终将注意力机制扩展至多头结构,实现模态级语义对齐与共享表达:
MHSSA(Q,K,V)=[SSA1(q1,k1,v1)…SSAg(qG,kG,vG)]
上述机制不仅兼顾了事件驱动计算模型的稀疏性优势,同时提升了异构模态之间的信息交互质量,为后续高精度故障诊断提供语义一致、结构紧凑的特征支撑。在最终的特征优化阶段,本文设计了由“模态增强—语义压缩—降维投影”组成的表示学习链条。针对融合后的多模态脉冲张量,本文首先引入模态权重感知机制,基于MLP架构生成各模态的显著性响应向量,对重要语义通道进行动态强调:
F'=MLP(F)·P
其中,P表示模态注意向量,F'为加权后的特征表示。随后,通过基于主成分分析的语义压缩映射,选取最具判别能力的低维投影子空间:
Z=F'·[u1,u2,…uk]
其中,[uk]为前k个主成分方向,Z表示最终的紧凑型诊断特征。该特征压缩过程在保持语义完整性的同时,显著降低了模型复杂度与计算成本,特别适用于船载、机载等资源受限平台的边缘部署与在线演化诊断任务。
2 多维动态数实融合技术
本文提出的数实同步诊断模型的整体架构如图3所示,其核心思想是融合物理域与数字域的互补优势,实现对轴间轴承状态的实时感知与智能诊断。图3左侧为物理域采集系统,通过事件触发感知机制获取轴承退化信号,结合缺陷图谱与数据采集设备构成真实反馈通道。图3中间部分为模型自更新流程,以实现参数估计,并依据目标函数计算结果动态更新模型参数,直至满足收敛条件。图3右侧为数字域建模模块,构建了多尺度装配单元、材料建模和动力学方程等组成的虚拟模型,用于响应物理域事件触发后的仿真请求。图3底部为基于数实融合模型的智能诊断模块,融合更新后的多模态特征,利用脉冲神经网络实现故障识别与诊断结果输出,最终辅助运维人员制定智能维护决策。各模块间通过“虚拟响应-真实反馈-事件驱动”形成闭环迭代协同,保障诊断系统的实时性、精度与适应性。上述建模与更新策略形成了从‘物理采集-事件触发-建模更新-误差反馈-特征提取-故障识别’的数实闭环协同链条,各环节中使用公式承担状态驱动、建模表达与参数优化等关键功能,确保了诊断结果在结构、语义与物理层级上的一致性。
为实现对船舶部件中轴间轴承在复杂运行环境下的高精度状态感知与智能诊断,本文提出了一种多维动态数实融合技术路径,通过统一感知空间、物理建模、事件驱动学习与智能推理等机制,实现了数字孪生模型与物理系统之间在时间、空间、特征与任务层面上的多维动态协同。该方法主要包含以下4个关键技术模块:
(1)多源异构感知数据融合与高维特征构建模块。考虑到船舶推进系统运行过程中轴间轴承状态受多因素耦合影响(如负载变动、温升扰动、结构不均等),本文首先构建了融合实时传感器数据、历史运行样本与高保真动力学仿真输出的多源数据融合机制。在数据层面上,输入包括振动信号、位移响应、转速信息与仿真模型生成的接触力时程与应变响应等。本文通过多尺度编码与统一时序对齐机制,将异构数据映射至同一嵌入空间,提取其在时间频率域、空间拓扑域与任务语义域中的深层特征,构建统一的高维状态表征张量,用于后续建模输入。
(2)基于物理建模的数字孪生构建与动态响应同步模块。为确保诊断模型具有结构可解释性与故障演化一致性,本文基于船用中介轴承-双转子耦合系统,构建了具有非线性接触刚度与损伤演化机制的动力学仿真模型。仿真结构涵盖轴间间隙、滚动体离散建模、润滑阻尼项与轴承座支撑刚度变化,动态响应由结构控制微分方程驱动。本文通过将仿真模型生成的响应与传感器实测数据进行实时对比,并引入参数增量修正机制,基于卡尔曼滤波型同步规则。本文应用仿真模型参数(如刚度、阻尼、缺陷尺度)的在线校准技术使数字孪生体动态贴合真实物理演化过程。
(3)融合SNN的事件驱动状态识别模型模块。在故障状态识别与推理层,本文采用脉冲神经网络构建事件驱动诊断模型,利用其稀疏发放机制适应船载边缘部署资源限制,同时具备对多时序故障演化模式的高敏感性。SNN神经元的状态演化由膜电位积分-发放机制控制
(4)多时空尺度融合与任务自适应机制模块。为增强模型在船载任务变换、负载切换、信号漂移等场景下的适应性,本文引入了任务上下文驱动的自适应演化机制。该机制通过多层联动,维持诊断通路在长期任务下的稳定性,同时具备增量适应能力。在不同任务段中(如巡航、转向、急停),模型能自动聚焦状态变化显著区域,实现任务驱动的动态故障边界更新与状态辨识迁移。
通过上述4个模块,本文实现了从感知数据层、建模物理层、时序诊断层、任务决策层的全链路数实协同。该多维动态融合方法不仅提高了对稀疏、异构故障信号的表征能力,也保证了诊断结果在物理层级的演化一致性与工程适用性,适合部署于船舶复杂轴系系统的状态监测与智能保障任务。
在物理域平台部分,模块展示了具备双转子耦合结构与变负载工况模拟能力的轴系试验系统,用于模拟船舶推进系统中轴间轴承在多工况下的运行状态。平台中集成了多类型传感器布设,包括振动、位移与加速度测点,可实现关键位置状态信息的高频实时采集,具备较强的船载轴承服役场景可映射性。为提升建模效率与响应实时性,平台引入事件驱动机制。该机制用于物理域感知系统中的建模更新判断,其作用是基于突发性状态变化,判定是否触发数值建模响应模块,从而形成数实之间的事件驱动联动关系。
‖x(t)-x(tk)‖>δx
其中,x(t)为当前采样值,x(tk)为上次触发点,δx为预设阈值,当感知变化显著时触发建模更新请求。
数字域虚拟系统采用多层次建模方法构建3类核心模型:(1) 装配结构元模型:模拟低速转子、高速转子与中介轴承之间的耦合结构关系;(2) 材料物理元模型:基于有限元方法 (FEM) 获取应力分布、材料变形、热场演化等多物理场响应;(3) 动力学响应模型:引入中介轴承-双转子非线性耦合结构建模,并考虑转子偏心、非线性刚度与缺陷接触响应,建立高保真响应预测系统。数字域系统以如下微分方程形式表达其时间演化规律。上述建模结果可统一抽象为状态空间动态系统形式,以捕捉结构状态在多变量作用下的时序演化规律,为后续参数估计与误差反馈提供基础数学支撑。
其中,xi为系统状态,ui为输入控制量,θi为待估结构参数。
为了实现数字域模型对物理域观测数据的动态对齐,需要引入具有递推性与稳健性的参数估计方法。为此,本文基于广义卡尔曼思想设计了如下增量式参数更新机制。事件驱动下的模型更新逻辑,基于迭代式参数优化流程实现数字域响应与物理域观测之间的偏差最小化。本文采用如下基于卡尔曼滤波思想的参数更新方程:
θk+1=θk+Kk(yk-Hkθk)
其中,θk为第k 次迭代的结构参数;yk 为实际观测响应;Hk为响应对参数的灵敏度矩阵;Kk 为增益系数,可由RLS或EKF生成。数实误差通过目标函数度量后反馈至仿真系统进行校正,从而实现物理一致性建模。
在参数校准完成后,融合后的故障特征被送入脉冲神经网络结构,构建事件驱动的诊断引擎。该网络利用膜电位积分与脉冲发放机制对时间序列信号进行表征,进而实现高精度、低能耗的诊断。
3 实验结果与分析
本文从模型鲁棒性以及与主流方法的性能对比两个维度展开实验评估验证所提出的数实同步诊断方法在船舶部件中轴间轴承状态辨识任务中的有效性。实验在Python平台下完成,采用PyTorch实现脉冲神经网络结构。数据采集与验证依托哈尔滨工业大学搭建的轴间轴承试验平台进行,该平台具备良好的结构通用性与动态特性,可有效模拟船舶推进系统中典型轴系的运行状态[12]。
实验平台结构如图4所示,整体由3部分构成:1套具备双转子耦合结构的旋转动力模拟装置、1套电动驱动系统,以及与船载条件相适应的润滑与传感测控系统。从三维结构模型可以看出,该试验装置采用典型的同轴双转子结构,分别对应船舶动力系统中的低速主轴(LP)与高速输入轴(HP)。驱动系统通过2台高精度变频电机分别驱动低速与高速轴,实现负载扰动、速比变化等多工况模拟。此外,为增强平台对轴间轴承故障响应特性的表达能力,系统中布置了3套人工缺陷轴承组件,分别对应典型的外圈故障与内圈故障情形,缺陷由电火花线切割方式加工,便于控制尺度一致性与可重复性,其中,一组轴承存在0.5 mm×0.5 mm 的外圈切槽缺陷,另外两组为内圈损伤结构,能够有效覆盖船载轴承常见的疲劳磨损与初期结构微裂场景。
人工故障通过线切割方式制造,例如,外圈故障的尺寸为深度0.5 mm、长度0.5 mm,记为Outer (0.5—0.5)。测点布置在图4中6个红色方框位置,使用位移和加速度传感器进行信号采集,信号采集通过TRION-2402-dACC差分多功能模块输入。采集到的数据由DEWETRON公司的DEWE2-M7平台进行分析,将其并保存在计算机中用于后续处理。为确保测试人员和设备的安全,试验系统额外安装了3层金属防护罩,以防止因部件飞脱导致的事故,并建立了实时监控系统以检测潜在异常情况。采样频率设定为25,000 Hz。本文在每个转速下采集200组数据,每组样本包含2 048个数据点。
3.1 鲁棒性验证
为评估各类模型在噪声环境下的鲁棒性,本文设置了多个不同信噪比(SNR)条件(-5 dB、-3 dB、0 dB 和无噪声)进行对比实验。如表1所示,CNN模型在强噪声干扰下的性能明显下降,在-5 dB条件下准确率仅为70.45%,表现出对噪声干扰的高度敏感性。
表1 鲁棒性验证结果Tab.1 Robustness verification results |
| 不同方法 | -5 dB | -3 dB | 0 dB | 无噪声 |
|---|---|---|---|---|
| CNN | 70.45±4.03 | 72.33±3.28 | 75.97±2.60 | 77.44±2.19 |
| SNN | 72.41±3.99 | 75.06±3.48 | 76.13±2.96 | 78.82±2.15 |
| 所提方法 | 75.33±3.68 | 78.36±3.75 | 80.29±2.92 | 82.47±2.03 |
相比之下,SNN模型凭借事件驱动的处理机制和天然的噪声抑制能力,在所有噪声等级下均优于CNN,在无噪声条件下达到78.82%的准确率。值得强调的是,本文所提方法在全部信噪比条件下均取得最佳性能,分别达到75.33%、78.36%、80.29%和82.47%,不仅在高强度噪声环境下表现出更强的鲁棒性,而且随着噪声强度的减弱,准确率提升更为稳定,充分体现了所提方法对扰动的抑制能力以及在不同噪声场景下广泛适应性。
3.2 与不同方法的结果对比
表2展示了本文方法与多种经典深度诊断方法在同一测试集下的性能对比结果。
表2 不同样本数下的对比结果Tab.2 Comparison results under different training sample sizes |
| 不同方法 | 200样本 | 100样本 | 50样本 |
|---|---|---|---|
| Resnet18 | 78.47±2.11 | 76.02±2.56 | 73.08±3.15 |
| CNN | 77.44±2.19 | 75.47±2.91 | 71.36±3.66 |
| Transformer | 76.42±2.15 | 74.48±2.33 | 70.36±2.47 |
| SNN | 78.82±2.15 | 74.36±3.75 | 68.71±5.08 |
| 所提方法 | 82.47±2.03 | 81.72±2.15 | 79.48±2.88 |
为了进一步验证模型在小样本条件下的学习能力,本文分别在每类样本数为200、100和50的3种设置下进行了性能对比。如表2所示,CNN和ResNet18在样本充足时表现较为稳定,但在样本不足(如50个样本)时准确率明显下降,暴露出其在极端小样本场景下的泛化能力不足。Transformer结构对样本数量更加敏感,在无预训练的情况下,在50样本条件下准确率下降至70.36%。尽管SNN在200样本下取得了最高的78.82%准确率,但在样本减少时下降幅度较大,说明其依赖于较充分的脉冲模式积累。相比之下,本文所提方法在所有样本规模下均取得最优表现,且准确率下降幅度最小,从200样本时的82.47%下降至小样本时的79.48%,显示出极强的小样本泛化能力与稳定性。这一结果进一步证明,本文所提方法在工业故障诊断等标签稀缺的实际应用场景中具有广泛的适用性和显著优势。
4 结束语
本文围绕船舶部件中轴间轴承的智能诊断需求,提出了一种面向复杂工况的多维数实融合诊断框架。通过融合传感器观测数据与动力学仿真信息,本文构建了多源异构信息的深度表征机制,并引入具有物理约束与演化反馈能力的同步建模方法,实现了数字孪生模型与实际系统在多时空尺度上的协同演化与动态映射。实验结果充分验证了本文所提方法在抗噪鲁棒性与小样本条件下的诊断性能优势。在不同信噪比条件下,本文所提方法在所有噪声级别下的表现均显著优于传统CNN与SNN模型,展现出更强的抗干扰能力与稳定性;同时,在小样本训练情境下,该方法的识别准确率始终保持较高水平,退化幅度最小,明显优于ResNet18、Transformer等主流对比方法,表明其在数据受限、工况复杂的船载环境中依然具备良好的泛化能力。综合来看,本研究为解决船舶推进系统中轴间轴承在封闭、高速、高温运行环境下的实时、高精度状态辨识问题提供了有效的技术路径,也为构建船舶智能化状态监测与健康管理体系奠定了理论基础与方法支撑。