ARC: Alignment-based RPM Estimation with Curvature-adaptive Tracking
作者: Weiheng Hua, Changyu Hao
分类: eess.SP, eess.SY, stat.ME
发布日期: 2026-03-31
💡 一句话要点
提出ARC：一种基于对齐和曲率自适应跟踪的转速估计方法，解决旋转机械健康管理难题。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 转速估计 旋转机械 预测性维护 健康管理 曲率自适应 递归滤波 振动分析
📋 核心要点
- 传统转速估计算法在噪声和非平稳环境下表现不佳，难以满足旋转机械健康管理的需求。
- ARC通过统一观测表示，将异构估计器的证据映射到共享RPM网格，实现多源信息的有效融合。
- ARC引入曲率自适应的运动先验，提升了在多模态证据下的跟踪稳定性，并保留了不确定性信息。
📝 摘要（中文）
无转速计的转速估计对于旋转机械基于振动的预测和健康管理(PHM)至关重要。然而，传统的时域周期性、倒谱和调和梳匹配等方法在噪声、非平稳性和非调和干扰下表现不佳。概率跟踪提供了一种融合多个估计器的有效方法，但主要挑战在于异构估计器在不兼容的轴和尺度上产生证据。我们通过ARC（Alignment-based RPM Estimation with Curvature-adaptive Tracking）统一观测表示来解决这个问题。每个估计器在其原始轴上输出一维证据曲线，该曲线被映射到共享的RPM网格上，并通过鲁棒标准化和吉布斯形式的能量塑造转换为可比较的基于网格的对数似然。具有固定方差运动先验的标准递归滤波在多模态或模糊证据下可能会失效。为了克服这个问题，ARC引入了一种曲率感知的、状态相关的运动先验，其中转移方差来自先前对数后验的局部离散Hessian矩阵。这种设计在置信模式周围强制平滑跟踪，同时保留竞争假设，例如倍频程替代方案。在合成压力测试和真实振动台数据上的实验表明，该方法能够产生具有可解释不确定性的稳定、物理上合理的轨迹，并且消融实验证实这些增益来自不确定性感知的时序传播，而不是每帧峰值选择或临时规则。
🔬 方法详解
问题定义：论文旨在解决旋转机械转速估计问题，特别是在缺少转速计且存在噪声、非平稳性和非谐波干扰的情况下。传统方法，如时域周期性分析、倒谱分析和调和梳匹配，在这些复杂条件下难以准确估计转速，导致基于振动的预测和健康管理(PHM)系统性能下降。
核心思路：论文的核心思路是通过对齐不同估计器的证据，并利用曲率自适应跟踪来提高转速估计的鲁棒性和准确性。具体来说，首先将各个估计器产生的证据映射到一个共享的RPM网格上，然后使用一种基于曲率信息的运动先验来指导跟踪过程，从而在不确定性较高的情况下也能保持跟踪的稳定性。
技术框架：ARC方法的整体框架包括以下几个主要模块：1) 异构估计器：使用多种不同的转速估计算法，每种算法产生一个一维的证据曲线。2) 对齐模块：将每个估计器的证据曲线映射到共享的RPM网格上，并转换为可比较的对数似然。3) 递归滤波：使用卡尔曼滤波或粒子滤波等方法，根据观测到的对数似然和运动先验来更新转速的后验概率分布。4) 曲率自适应运动先验：根据先前对数后验的局部离散Hessian矩阵来调整转移方差，从而实现对跟踪过程的动态调整。
关键创新：ARC方法的关键创新在于曲率自适应运动先验的设计。传统的递归滤波通常使用固定方差的运动先验，这在多模态或模糊证据下容易导致跟踪失败。ARC方法通过引入曲率信息，能够根据当前状态的不确定性动态调整运动先验的方差，从而在置信度高的区域进行平滑跟踪，同时保留竞争假设。
关键设计：ARC的关键设计包括：1) 使用鲁棒标准化和吉布斯形式的能量塑造将证据曲线转换为对数似然，使其具有可比性。2) 使用局部离散Hessian矩阵来估计对数后验的曲率，并将其用于调整运动先验的方差。3) 使用递归滤波算法（如卡尔曼滤波或粒子滤波）来融合观测到的对数似然和曲率自适应运动先验，从而得到最终的转速估计。
🖼️ 关键图片
📊 实验亮点
实验结果表明，ARC方法在合成压力测试和真实振动台数据上均表现出优异的性能。与传统方法相比，ARC能够产生更稳定、物理上合理的转速轨迹，并提供可解释的不确定性信息。消融实验证实，曲率自适应运动先验是ARC方法取得性能提升的关键因素，它能够有效地利用不确定性信息进行时序传播，避免了简单的峰值选择或临时规则。
🎯 应用场景
ARC方法可广泛应用于旋转机械的预测性维护和健康管理，例如风力发电机、航空发动机、汽车发动机等。通过准确估计转速，可以更好地分析振动信号，从而早期发现潜在故障，减少停机时间，降低维护成本，提高设备运行的可靠性和安全性。该方法还可应用于其他需要精确转速估计的领域，如电机控制、机器人导航等。
📄 摘要（原文）
Tacho-less rotational speed estimation is critical for vibration-based prognostics and health management (PHM) of rotating machinery, yet traditional methods--such as time-domain periodicity, cepstrum, and harmonic comb matching--struggle under noise, non-stationarity, and inharmonic interference. Probabilistic tracking offers a principled way to fuse multiple estimators, but a major challenge is that heterogeneous estimators produce evidence on incompatible axes and scales. We address this with ARC (Alignment-based RPM Estimation with Curvature-adaptive Tracking) by unifying the observation representation. Each estimator outputs a one-dimensional evidence curve on its native axis, which is mapped onto a shared RPM grid and converted into a comparable grid-based log-likelihood via robust standardization and a Gibbs-form energy shaping. Standard recursive filtering with fixed-variance motion priors can fail under multi-modal or ambiguous evidence. To overcome this, ARC introduces a curvature-informed, state-dependent motion prior, where the transition variance is derived from the local discrete Hessian of the previous log-posterior. This design enforces smooth tracking around confident modes while preserving competing hypotheses, such as octave alternatives. Experiments on synthetic stress tests and real vibration-table data demonstrate stable, physically plausible trajectories with interpretable uncertainty, and ablations confirm that these gains arise from uncertainty-aware temporal propagation rather than per-frame peak selection or ad hoc rules.