VAF-IBFD：一种基于虚拟磁动机（VMD）的方法，用于克服智能轴承故障诊断中快速傅里叶变换（FFT）的局限性

《Digital Signal Processing》：VAF-IBFD: A VMD-Assisted Approach to Resolve FFT Limitations in Intelligent Bearing Fault Diagnosis

针对工业设备轴承故障诊断中特征微弱、信号非平稳及噪声干扰问题，本文提出VMD-Assisted FFT（VAF）框架结合深度学习。通过并行VMD和FFT增强频谱分辨率，并利用Swin Transformer和CNN-SENet提取多尺度特征，实验验证其优于现有方法。

　　轴承故障诊断是保障工业设备可靠性和安全性的关键环节。然而，由于故障特征微弱、信号非平稳性以及噪声干扰等因素，这一任务仍然面临诸多挑战。传统的人工方法依赖专家知识进行故障识别，但存在主观性偏差和长时间工作带来的疲劳影响，导致诊断结果不准确。而常规的基于学习的方法虽然在特征提取方面具有一定优势，但往往受到频谱分辨率的限制，难以捕捉到细微的故障特征。为了解决这些问题，本文提出了一种融合变分模态分解（VMD）与快速傅里叶变换（FFT）的新型VAF框架，并结合深度学习技术，以实现更准确的轴承故障诊断。

VAF框架的核心思想在于利用VMD和FFT各自的优势，通过互补的方式提升故障诊断的精度和鲁棒性。FFT作为一种经典的频率域分析工具，广泛应用于振动信号的频谱提取。然而，FFT在处理非平稳信号时，由于其固有的“栅栏效应”和频谱泄漏问题，常常导致关键故障频率成分的模糊、稀释，甚至完全丢失。这些问题源于原始信号的真实频率成分无法精确匹配FFT的离散频率 bins，从而在频谱中形成模糊的峰值和分散的能量分布。这种频谱信息的丢失严重影响了故障特征的准确识别和量化，使诊断变得困难。

相比之下，VMD通过自适应地将原始信号分解为多个固有的模态函数（IMFs），能够有效提取信号中的窄带成分。每个IMF代表信号围绕特定中心频率的振荡，有助于分离重叠的频率成分，并捕捉到隐藏在广义FFT频谱中的细微故障特征。VMD的这种分解机制使得其能够提供更清晰、更具体的模态信息，从而在一定程度上弥补了FFT在频谱分辨率方面的不足。通过VMD与FFT的并行处理，可以实现对原始振动信号的全面特征提取，为后续的故障识别提供更加丰富和可靠的数据基础。

本文提出的VAF框架采用了一种并行处理架构，其中VMD和FFT分别对同一原始振动信号进行独立处理。这种架构的设计使得VMD能够有效辅助FFT，减少其因“栅栏效应”和频谱泄漏导致的频谱信息丢失。具体而言，VMD的分解过程可以提供更具代表性的特征，例如能量分布、瞬时频率和IMF中的幅值调制等，这些特征在FFT处理中往往被忽略或难以准确提取。通过VMD与FFT的协同作用，可以实现对故障特征的更全面、更精准的表征，从而提升故障诊断的准确性。

VAF框架的核心模块包括两个部分：特征增强模块和故障检测模块。特征增强模块负责执行上述的VMD和FFT并行处理过程，从原始振动信号中提取出全面且互补的特征。这些增强后的特征随后被输入到故障检测模块中，该模块采用了一种结合Swin Transformer和CNN-SENet的混合架构，能够同时捕捉局部和全局的故障特征，从而实现更准确的分类。这种混合架构的设计不仅提升了模型对复杂故障特征的识别能力，还增强了其对噪声和非平稳信号的鲁棒性。

本文的研究成果表明，VAF框架在多个公开数据集上的表现优于现有的最先进的方法。通过合成信号实验，我们验证了VAF在缓解频谱泄漏和提升频谱分辨率方面的有效性。实验结果进一步表明，VAF能够有效保留关键的瞬态特征，同时提供更加清晰的频谱信息。这使得模型在后续的分类任务中能够更准确地识别故障模式，从而提升诊断的可靠性。

此外，VAF框架在特征增强方面引入了创新机制。传统方法通常将信号的频谱直接输入到深度学习模型中，而VAF则通过VMD对FFT的频谱估计进行补偿，从而提升频谱特征的完整性和准确性。这种补偿机制使得VAF能够在保留关键瞬态特征的同时，提升频谱分辨率，为深度学习模型提供更高质量的输入数据。

在实际应用中，VAF框架的混合架构设计不仅能够捕捉局部的细节特征，还能够识别全局的依赖关系。这种能力使得模型在面对复杂、非平稳的振动信号时，能够更全面地分析故障特征，并做出准确的分类。实验结果进一步表明，VAF框架在多个数据集上的表现显著优于传统方法，证明了其在轴承故障诊断中的有效性。

尽管本文的研究取得了积极成果，但仍然存在一定的局限性。例如，目前缺乏对工业标准边缘计算平台上的实际推理延迟的实证测量。虽然我们的理论复杂度分析表明该模型具有轻量级设计（参数数量少于0.1百万），但在实际应用中，仍需进一步验证其在边缘设备上的运行效率和实时性。此外，未来的研究还可以探索更多增强策略，以进一步提升模型的泛化能力和鲁棒性。

总体而言，本文提出了一种创新的VAF框架，结合VMD和FFT的互补优势，以及深度学习技术，为轴承故障诊断提供了新的思路和方法。通过合成信号实验和实际数据集的验证，我们证明了该方法在提升频谱分辨率、减少频谱信息丢失和增强故障特征表示方面的有效性。未来的研究将继续优化该框架，以更好地适应工业环境中的复杂振动信号，并进一步提升其在实际应用中的性能和可靠性。

在工业设备运行过程中，轴承作为支撑旋转运动的关键部件，其状态直接影响设备的稳定性和安全性。然而，由于故障特征微弱，且信号具有非平稳性，传统方法往往难以准确识别故障。因此，开发一种能够自动提取和分析故障特征的方法，成为提升设备可靠性的重要课题。本文提出的VAF框架，不仅能够有效解决频谱分辨率不足的问题，还能够通过VMD的自适应分解，捕捉到隐藏的故障特征。这种特征提取方法的创新性在于，它结合了VMD和FFT的优势，实现了对信号的多维表征，从而为深度学习模型提供了更加丰富的输入信息。

VAF框架的另一个重要优势在于其对时间域信息的提取能力。虽然FFT主要关注频率域特征，但VMD能够从信号中提取出时间域的细节信息。这种时间域和频率域信息的结合，使得模型能够更全面地分析故障特征，提高诊断的准确性。在实际应用中，这种多维特征提取方法可以有效提升模型对复杂信号的适应能力，使其在不同工况下都能保持较高的诊断性能。

此外，VAF框架的混合架构设计也具有显著优势。Swin Transformer和CNN-SENet的结合，使得模型能够同时捕捉局部和全局的故障特征。这种设计不仅提高了模型的分类能力，还增强了其对噪声和非平稳信号的鲁棒性。实验结果表明，VAF框架在多个数据集上的表现优于现有方法，证明了其在轴承故障诊断中的有效性。

在工业应用中，VAF框架的轻量级设计也具有重要意义。随着边缘计算和物联网技术的发展，越来越多的工业设备需要在资源受限的环境下进行实时故障诊断。因此，开发一种计算效率高、资源占用少的诊断方法，成为提升设备智能化水平的重要方向。本文提出的VAF框架，通过理论复杂度分析，证明了其具有轻量级设计，能够适应边缘计算环境的需求。

综上所述，本文提出了一种融合VMD和FFT的新型VAF框架，结合深度学习技术，为轴承故障诊断提供了新的解决方案。通过实验验证，我们证明了该方法在提升频谱分辨率、减少频谱信息丢失和增强故障特征表示方面的有效性。未来的研究将继续优化该框架，以更好地适应工业环境中的复杂信号，并进一步提升其在实际应用中的性能和可靠性。