基于迭代加权紧凑聚类变换的独立小车系统轴承故障诊断分布重塑方法研究

《IEEE Access》：Distribution Reshaping Transformation for Bearing Fault Diagnosis in Independent Cart Systems

本文针对独立小车系统(ICS)在非平稳工况下轴承故障诊断难题，提出了一种基于迭代加权紧凑聚类变换(IWCCT)的无监督轻量级诊断框架。该方法通过重塑分散或重叠的特征分布为紧凑、线性可分的簇，有效增强了故障可分离性，无需类标签或模型训练。在MOIRA-UNIMORE和Politecnico di Torino两个公开数据集上的验证结果表明，该方法在细微故障条件下诊断性能显著提升，其确定性公式和低计算开销使其非常适合在标签数据稀缺的工业环境中实时部署。

　　

在现代工业自动化领域，独立小车系统(Independent Cart System, ICS)作为精密输送设备，其可靠运行对生产效率至关重要。然而，这类系统独特的运动特性——小车沿轨道高速平移的同时，轴承自身还在旋转——带来了传统旋转机械所没有的诊断挑战。频繁的速度反转、短暂的瞬态过程以及复杂的轴承布置，使得振动信号呈现出高度非平稳特性，传统的基于平稳假设的诊断方法往往力不从心。更棘手的是，工业现场标签数据稀缺、计算资源有限，而深度学习等方法又面临数据饥渴、超参数敏感等难题，迫切需要一种轻量、无监督且能适应非平稳工况的智能诊断方案。

针对这一工业痛点，来自意大利摩德纳雷焦艾米利亚大学的研究团队在《IEEE Access》上发表了创新性研究成果，提出了一种名为迭代加权紧凑聚类变换(Iterative Weighted Compact Clustering Transform, IWCCT)的全新故障诊断框架。该方法的核心思想颇具巧思：它不是通过复杂的模型去拟合数据，而是直接对特征分布进行“整形手术”，将原本分散、重叠甚至双峰的特征分布，迭代地压缩成紧凑且易于区分的簇，从而为后续简单的分类或异常检测算法扫清障碍。

研究人员为验证IWCCT的有效性，设计了一套严谨的技术路线。他们首先利用公开的MOIRA-UNIMORE ICS轴承数据集，该数据集首次公开了反映ICS耦合平移-旋转动力学特性的振动数据。通过位置信号对振动数据进行精确分段，确保每个分析窗口内的工况一致性。随后，从每个信号片段中提取了两类经典特征：易于解释的统计描述符（如均方根、峰值因子、峭度等）和Hjorth参数（活动性、移动性、复杂性），这些特征计算高效，物理意义明确。接着，应用五种特征排序准则（单因素方差分析(ANOVA)、Kruskal-Wallis检验、拉普拉斯得分、方差、单调性）筛选出最具判别力的特征子集。关键的IWCCT变换随后上场，它以无监督的方式（可选项是利用类别标签分别处理每个类别）对每个特征进行分布重塑，其核心是通过k均值（k=2）为每个特征找到两个簇中心，计算每个样本到其所属簇中心的距离，并用高斯权重构建一个加权的紧凑中心，最后以自适应的步长将样本向该中心收缩。经过变换的特征再通过主成分分析(PCA)或t分布随机邻域嵌入(t-SNE)进行降维可视化，并输入到一系列无监督（如一分类支持向量机(OCSVM)、隔离森林(IF)）和监督（支持向量机(SVM)、k近邻(KNN)）分类器中进行性能评估。

IV. PROPOSED METHODOLOGY

研究提出的IWCCT算法是一个确定性的、无监督的每特征分布整形变换。其核心操作是在每个特征维度上，将样本点迭代地向一个加权的局部紧凑中心收缩。该过程首先对数据进行标准化，然后对于每个特征，使用k均值（k=2）将样本划分为两个簇，计算每个样本到其簇中心的绝对偏差并归一化，再利用高斯权重函数计算每个样本的权重，从而形成一个加权的紧凑中心。最后，通过一个自适应的收缩步长，更新每个样本的值，使其向该紧凑中心靠拢。该过程被证明是一个非扩张的压缩映射，具有唯一的固定点和指数收敛速度，计算复杂度为O(N*D)，非常适合实时应用。

V. THEORETICAL PROPERTIES OF IWCCT

理论分析表明，IWCCT的迭代更新规则构成一个压缩映射，能确保算法指数收敛到唯一的固定点（即加权紧凑中心）。该变换满足Lipschitz稳定性和有界输入有界输出(BIBO)稳定性，对输入的小扰动不敏感。高斯加权项起到了局部注意力机制的作用，平衡了局部紧凑性和全局稳定性。超参数（如收缩强度α、高斯带宽σ、方差阈值τ和迭代次数R）具有明确的物理意义和调优准则，使得方法无需交叉验证即可确定性地初始化参数。

VI. EXPERIMENTAL PROTOCOL AND EVALUATION SETUP

在MOIRA-UNIMORE数据集上的实验结果表明，IWCCT能显著改善特征分布在低维嵌入空间（如PCA和t-SNE）中的紧致性和类间分离度。与Box-Cox、Yeo-Johnson、Hyperbolic Power Transformation (HPT)、Rotation-Based Iterative Gaussianization (RBIG)、CDF-TS等基线变换方法相比，IWCCT在无监督异常检测（OCSVM, IF）和监督分类（SVM, KNN）任务上均取得了最高的F1分数（多数接近或超过0.97），尤其是在处理Hjorth参数时优势更为明显。对Politecnico di Torino数据集的跨数据集验证进一步证明了IWCCT的泛化能力，在不同负载条件下（0 N, 1000 N, 1400 N）都能产生紧凑且分离良好的故障簇。敏感性分析显示IWCCT在较宽的超参数范围内保持稳健性能。此外，在添加了宽带噪声（AWGN）、窄带幅度调制干扰和结构噪声（伪FRF合成）的鲁棒性测试中，IWCCT变换后的特征簇仍能保持较好的分离性，表明其对抗噪声干扰的能力。计算效率分析证实，IWCCT在标准笔记本电脑上处理典型规模数据（4500样本x30特征）仅需约0.33-0.40秒，预计在嵌入式设备上也能达到亚秒级延迟，满足工业实时性要求。

VII. CONCLUSION

本研究成功开发了一种用于非平稳ICS轴承故障诊断的轻量级无监督框架。其核心贡献IWCCT变换通过局部加权压缩机制，有效重塑了特征分布，增强了故障类别的可分离性，而无需标签或训练过程。理论与实验均表明，IWCCT在收敛性、稳定性和计算效率方面具有良好性质，并能显著提升下游聚类、异常检测和分类任务的性能。其确定性、无监督和低计算复杂度的特点，使其非常适合于工业现场标签数据稀缺、资源受限的实时监控场景。未来的工作将探索多类联合变换、在线更新机制以及噪声自适应的超参数选择策略，以进一步拓展其应用范围。