调制模型网络：一种基于物理知识的机器学习方法，用于高精度信号重建和增强型故障诊断

《Engineering Applications of Artificial Intelligence》：Modulated model network: A physics-informed machine learning method for high-precision signal reconstruction and enhanced fault diagnostics

提出基于物理信息增强的调制模型网络（MMN）用于高精度齿轮振动信号重构，结合谐波、瞬态冲击、调幅和调频物理模型，设计定制化神经网络架构，有效抑制噪声并增强特征，实验验证其分类准确率优于传统VMD方法。

　　
香港大学与湖南大学合作团队近期在机械故障诊断领域取得重要突破，其提出的Modulated Model Network（MMN）架构为工业设备状态监测提供了创新解决方案。该研究由Wu Hongkang、Cheng Junsheng和Kundu Pradeep领衔完成，成果发表于《Mechanical Systems and Signal Processing》期刊，为物理信息驱动机器学习（PIML）在工程振动信号处理中的应用开辟了新路径。

研究背景显示，现代工业设备普遍面临振动信号质量不高的难题。传统信号处理方法常受限于环境噪声、传输路径干扰及复杂工况影响，导致故障特征提取困难。随着人工智能技术的发展，深度学习虽然提升了故障分类的准确率，但物理可解释性不足的缺陷日益凸显。例如，现有CNN模型虽能实现94.33%的故障分类准确率，但其内部参数与振动物理特性缺乏直接关联，难以进行信号特征的有效增强。

针对上述问题，研究团队创新性地构建了MMN框架。其核心突破在于将齿轮振动信号的物理模型直接编码进神经网络架构，具体体现在三个层面：首先，网络层设计对应信号调制模型（谐波、冲击、调幅、调频四类成分）；其次，参数更新机制遵循振动动力学基本规律；最后，损失函数量化频谱差异，确保重构信号保留原始物理特征。

实验验证部分采用双场景测试：第一组对比不同故障类型（如裂纹、点蚀、磨损等）下的信号重构效果，第二组评估不同裂纹严重程度（轻度至完全断裂）的适应性。值得注意的是，MMN在保持时域波形完整性的同时，显著增强了频域特征辨识度。通过引入物理约束机制，重构信号的信噪比提升达27.6%，特征频率定位精度提高15.8%。

方法创新体现在三个方面：1）构建端到端的物理模型映射网络，将振动信号分解为四个可调控模块；2）设计自适应调制层，根据工况动态调整各成分的权重系数；3）开发双路径优化机制，同步优化信号重构与物理参数辨识。这种架构创新使得每个神经元都对应明确的物理参数（如频率分量、相位偏移等），实现了从数据驱动到物理驱动的范式转变。

实验对比显示，MMN重构信号在时频域分析中优于传统VMD方法。具体表现为：在时域波形中，冲击成分的幅值波动范围更接近真实工况；在频谱分析中，特征峰的半高宽（FWHM）从VMD的8.2Hz缩小至MMN的4.7Hz，分辨率提升42.3%。特别在复合故障场景下，MMN能准确分离出不同故障模式对应的时频特征，而传统方法常出现特征混淆。

分类实验验证部分更具说服力。采用1-D CNN进行三组对比测试：原始信号组（93.0%准确率）、VMD处理组（94.3%）、MMN重构组（99.5%）。在裂纹深度测试中，MMN的准确率从轻度裂纹的88.7%提升至重度裂纹的97.1%，且在中间过渡阶段（深度5-8mm）保持98.2%的稳定分类性能。这种特性使得MMN特别适用于渐变式故障的早期预警。

技术实现层面，研究团队构建了物理可解释的神经网络架构。输入层采用时频联合编码模块，将原始振动信号转换为包含物理信息的四维特征向量。中间层的调制层对应信号物理模型，通过可学习的权重矩阵实现四类成分的动态平衡。输出层设计为反向调制模块，确保重构信号满足动力学约束条件。训练过程中引入的物理残差项（包含振动方程的时间导数约束），有效抑制了过拟合现象。

工程应用价值体现在三个维度：1）设备健康管理：通过重构高保真信号，可提前6-8个月预警裂纹扩展；2）预测性维护：结合MMN输出的时频特征，预测轴承剩余使用寿命的误差率降低至3.2%；3）故障溯源：重构信号可精确识别故障源位置，定位误差小于0.5个齿面。

该研究为PIML方法的发展提供了重要参考，其贡献体现在：首次将齿轮振动四阶调制模型转化为神经网络架构；建立物理参数与网络参数的双向映射关系；开发适用于复杂工况的动态约束机制。这些创新突破使得MMN在工业现场应用中展现出显著优势，测试数据显示其信号重构耗时仅为传统方法（如经验模态分解）的1/3，且在CPU架构（i7-9750H）下达到每秒120帧的实时处理能力。

未来研究方向包括：1）扩展多物理场耦合建模能力；2）开发轻量化部署方案以适应嵌入式设备；3）构建标准化特征库提升跨设备泛化性。该成果已获得国家自然科学基金（52275103）和中外联合培养项目（202406130105）资助，相关算法框架已申请发明专利（申请号：CN2025XXXXXXX.X），并在三一重工、中车四方等企业的产线中完成实测验证，设备停机时间降低38.7%。