In recent years, advances in computer technology and the emergence of big data have enabled deep learning to achieve impressive successes in bearing condition monitoring and fault detection. While existing deep learning approaches are able to efficiently detect and classify bearing faults, most of these approaches depend exclusively on data and do not incorporate physical knowledge into the learning and prediction processes—or more importantly, embed the physical knowledge of bearing faults into the model training process, which makes the model physically meaningful. To address this challenge, we propose a physics-informed deep learning approach that consists of a simple threshold model and a deep convolutional neural network (CNN) model for bearing fault detection. In the proposed physics-informed deep learning approach, the threshold model first assesses the health classes of bearings based on known physics of bearing faults. Then, the CNN model automatically extracts high-level characteristic features from the input data and makes full use of these features to predict the health class of a bearing. We designed a loss function for training and validating the CNN model that selectively amplifies the effect of the physical knowledge assimilated by the threshold model when embedding this knowledge into the CNN model. The proposed physics-informed deep learning approach was validated using (1) data from 18 bearings on an agricultural machine operating in the field, and (2) data from bearings on a laboratory test stand in the Case Western Reserve University (CWRU) Bearing Data Center.

近年来，计算机技术的进步和大数据的出现使深度学习在轴承状态监测和故障检测方面取得了令人瞩目的成功。尽管现有的深度学习方法能够有效地检测和分类轴承故障，但大多数方法仅依赖于数据，并且不会将物理知识纳入学习和预测过程中，更重要的是，将轴承故障的物理知识嵌入模型中训练过程，这使模型在物理上变得有意义。为了应对这一挑战，我们提出了一种基于物理学的深度学习方法，该方法由一个简单的阈值模型和一个用于轴承故障检测的深度卷积神经网络（CNN）模型组成。在拟议中的基于物理学的深度学习方法中，阈值模型首先根据已知的轴承故障物理学评估轴承的健康等级。然后，CNN模型自动从输入数据中提取高级特征特征，并充分利用这些特征来预测轴承的健康等级。我们设计了一种损失函数，用于训练和验证CNN模型，该函数选择性地将阈值模型吸收的物理知识的影响（当将该知识嵌入到CNN模型中时）进行放大。拟议中的具有物理知识的深度学习方法已通过以下方法得到验证：（1）来自现场操作的农业机械上18个轴承的数据，以及（2）凯斯西储大学（CWRU）轴承测试实验室的轴承数据中心。然后，CNN模型自动从输入数据中提取高级特征特征，并充分利用这些特征来预测轴承的健康等级。我们设计了一种损失函数，用于训练和验证CNN模型，该函数选择性地将阈值模型吸收的物理知识的影响（当将该知识嵌入到CNN模型中时）进行放大。拟议中的具有物理知识的深度学习方法已通过以下方法得到验证：（1）来自现场操作的农业机械上18个轴承的数据，以及（2）凯斯西储大学（CWRU）轴承测试实验室的轴承数据中心。然后，CNN模型自动从输入数据中提取高级特征特征，并充分利用这些特征来预测轴承的健康等级。我们设计了一种损失函数，用于训练和验证CNN模型，该函数选择性地将阈值模型吸收的物理知识的影响（当将该知识嵌入到CNN模型中时）进行放大。拟议中的具有物理知识的深度学习方法已通过以下方法得到验证：（1）来自现场操作的农业机械上18个轴承的数据，以及（2）凯斯西储大学（CWRU）轴承测试实验室的轴承数据中心。我们设计了一种损失函数，用于训练和验证CNN模型，该函数选择性地将阈值模型吸收的物理知识的影响（当将该知识嵌入到CNN模型中时）进行放大。拟议中的具有物理知识的深度学习方法已通过以下方法得到验证：（1）来自现场操作的农业机械上18个轴承的数据，以及（2）凯斯西储大学（CWRU）轴承测试实验室的轴承数据中心。我们设计了一种损失函数，用于训练和验证CNN模型，该函数选择性地将阈值模型吸收的物理知识的影响（当将该知识嵌入到CNN模型中时）进行放大。拟议中的具有物理知识的深度学习方法已通过以下方法得到验证：（1）来自现场操作的农业机械上18个轴承的数据，以及（2）凯斯西储大学（CWRU）轴承测试实验室的轴承数据中心。