陳哲，胡玉其，田世慶，陸慧敏，徐立中

（1.河海大學(xué)計(jì)算機(jī)與信息學(xué)院，江蘇 南京 211100；2.日本九州工業(yè)大學(xué)機(jī)械智能工學(xué)研究系，北九州 804-8550）

1 引言

振動(dòng)、溫度、壓力等非平穩(wěn)信號(hào)產(chǎn)生于能量轉(zhuǎn)化過程中，普遍存在于工業(yè)生產(chǎn)各環(huán)節(jié)，對(duì)其分析和處理是工業(yè)過程控制、狀態(tài)估計(jì)、故障診斷等研究的課題之一[1]。對(duì)于此類信號(hào)，傳統(tǒng)分析方法多提取具有明確物理含義（如頻譜、時(shí)頻信息）的信號(hào)特征來表征設(shè)備狀態(tài)信息，常用方法包括時(shí)?頻域統(tǒng)計(jì)特征分析[2]、快速傅里葉變換[3]、小波變換[4]、時(shí)頻圖分析[5]、經(jīng)驗(yàn)?zāi)Ｊ椒纸鈁6]以及信號(hào)統(tǒng)計(jì)學(xué)特征[7]等。該類方法有利于構(gòu)建運(yùn)行狀態(tài)與原始信號(hào)間的因果耦合關(guān)系模型，受到了廣大研究者的推崇。然而，基于此類模型驅(qū)動(dòng)的技術(shù)策略的不足之處在于特征表征的冗余度大、噪聲強(qiáng)、不同狀態(tài)特征間的類間差異性不足。為了解決這一問題，多種降維技術(shù)被應(yīng)用于后續(xù)處理環(huán)節(jié)，常采用的方法包括主成分分析法[8]、獨(dú)立分量分析法[9]、流形學(xué)習(xí)[10]等，在一定程度上實(shí)現(xiàn)了冗余壓縮，但是仍難以提高特征的表征能力，影響故障診斷、狀態(tài)估計(jì)等應(yīng)用的分類準(zhǔn)確率。近年來，深度學(xué)習(xí)相關(guān)方法被應(yīng)用于非平穩(wěn)信號(hào)分析。不同于傳統(tǒng)基于模型的信號(hào)分析方法，深度學(xué)習(xí)通過大數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)及多層樣本映射，能夠提取高度抽象化且具有極強(qiáng)表征能力的深度表達(dá)特征，具有優(yōu)越的狀態(tài)辨識(shí)能力，深度置信網(wǎng)絡(luò)[11]、稀疏自編碼器[12]、去噪自編碼器[13]、卷積神經(jīng)網(wǎng)絡(luò)[14-16]等模型被廣泛應(yīng)用于非平穩(wěn)信號(hào)分析。然而，大量的研究證明，該類學(xué)習(xí)方法的不足之處在于，所提取的深度表達(dá)特征缺乏明確的物理含義，難以有效解析信號(hào)屬性，特征性能常出現(xiàn)較大波動(dòng)，穩(wěn)定性和推廣性均難以適應(yīng)。

現(xiàn)有頻譜、時(shí)頻分析或深度學(xué)習(xí)等多類非平穩(wěn)信號(hào)分析方法各具特色，在信號(hào)特征的解析性、穩(wěn)定性和準(zhǔn)確性上難以權(quán)衡?？紤]到非平穩(wěn)信號(hào)頻譜、時(shí)頻和深度表達(dá)特征各自的優(yōu)缺點(diǎn)和互補(bǔ)性，本文提出了一種非平穩(wěn)信號(hào)組合分析方法，能夠并行提取信號(hào)的多類特征并加權(quán)融合。在以振動(dòng)信號(hào)為例應(yīng)用于故障診斷的實(shí)驗(yàn)研究表明，所提信號(hào)組合分析方法具有較好的特征表征能力，在不顯著增加計(jì)算復(fù)雜度的前提下有效提高了故障診斷的準(zhǔn)確性。同時(shí)，本文研究工作是對(duì)基于特征融合的故障診斷方法的一項(xiàng)探索。本文的主要?jiǎng)?chuàng)新和貢獻(xiàn)如下。

1) 特征提取。提出了一種雙流網(wǎng)絡(luò)架構(gòu)，組合分析非平穩(wěn)信號(hào)的頻譜、時(shí)頻及深度表達(dá)特征，以實(shí)現(xiàn)對(duì)信號(hào)的完整描述。

2) 特征融合。提出了基于壓縮?拼接?激勵(lì)（SCE，squeeze-connect-excitation）的雙流特征加權(quán)融合方法，以實(shí)現(xiàn)非平穩(wěn)信號(hào)特征的統(tǒng)一表征。

3) 特征辨識(shí)。在故障診斷實(shí)驗(yàn)中，所提組合分析方法能夠有效提高診斷準(zhǔn)確性，有望滿足工業(yè)條件下的應(yīng)用需求。

2 相關(guān)研究

故障診斷領(lǐng)域的非平穩(wěn)信號(hào)分析及特征提取方法主要分為基于信號(hào)處理模型和基于深度學(xué)習(xí)的技術(shù)策略。

信號(hào)處理模型能夠清晰表征信號(hào)的物理屬性，如時(shí)變、頻譜和頻譜時(shí)變屬性等。例如，文獻(xiàn)[3]利用全局譜分析方法對(duì)非平穩(wěn)振動(dòng)信號(hào)進(jìn)行分析，綜合采用包絡(luò)檢測(cè)方法與快速傅里葉變換方法進(jìn)行信號(hào)預(yù)處理。文獻(xiàn)[4]使用小波變換和包絡(luò)譜分析，從非平穩(wěn)信號(hào)中提取特征參量，并輸入故障診斷系統(tǒng)中進(jìn)行故障分類。文獻(xiàn)[6]利用能量算子解調(diào)理論和經(jīng)驗(yàn)?zāi)B(tài)分解方法，對(duì)軸承非平穩(wěn)振動(dòng)信號(hào)的特征進(jìn)行提取。文獻(xiàn)[7]提出了基于小波變換高階統(tǒng)計(jì)量的非平穩(wěn)信號(hào)分析及滾動(dòng)軸承故障診斷方法，該方法采用小波變換的四階統(tǒng)計(jì)量有效捕捉振動(dòng)信號(hào)中的非平穩(wěn)或奇異分量，以表征信號(hào)的奇異性。

深度學(xué)習(xí)方法能夠提取高度抽象化且具有極強(qiáng)表征能力的深度表達(dá)特征，在信號(hào)特征辨識(shí)和分類中展現(xiàn)了良好的性能。例如，文獻(xiàn)[11]借鑒深度置信網(wǎng)絡(luò)在處理高維、非線性數(shù)據(jù)方面的性能優(yōu)勢(shì)，提出一種基于深度置信網(wǎng)絡(luò)的信號(hào)分析及故障診斷方法，利用原始時(shí)域信號(hào)訓(xùn)練深度置信網(wǎng)絡(luò)并完成智能診斷。文獻(xiàn)[12]提出了一種基于深度遷移學(xué)習(xí)的故障診斷方法，采用三層稀疏自編碼器對(duì)原始信號(hào)直接提取特征，應(yīng)用最大差分項(xiàng)最小化訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)特征之間的差異懲罰。文獻(xiàn)[14]提出了基于一維卷積神經(jīng)網(wǎng)絡(luò)的信號(hào)分析方法，將電機(jī)故障檢測(cè)的特征提取和分類合并到單一的學(xué)習(xí)體中，有效提高了診斷效率。文獻(xiàn)[16]直接將原始振動(dòng)信號(hào)輸入一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并通過自適應(yīng)批量正則化計(jì)算提高變負(fù)載能力。

此外，部分研究還探索了基于級(jí)聯(lián)模型的信號(hào)分析方法。例如，文獻(xiàn)[17]將傅里葉變換與卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)合，用于提取非平穩(wěn)信號(hào)特征。文獻(xiàn)[18]將多信號(hào)特征輸入卷積神經(jīng)網(wǎng)絡(luò)模型，提取深度表達(dá)特征，由于多級(jí)映射過程，此類級(jí)聯(lián)信號(hào)分析方法所獲信號(hào)特征難以準(zhǔn)確解析原始信號(hào)屬性，且常出現(xiàn)“過擬合”的問題。

3 非平穩(wěn)信號(hào)組合分析

如圖 1 所示，本文所提出的非平穩(wěn)信號(hào)組合分析方法采用雙流網(wǎng)絡(luò)框架，主要包括2 個(gè)分支流：上分支信號(hào)處理流主要完成傅里葉變換和小波包分解，用于頻域和時(shí)頻域的信號(hào)分析；下分支深度學(xué)習(xí)流由級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)（CB-CNN，cascade block convolutional neural network）組成，通過大數(shù)據(jù)驅(qū)動(dòng)的多級(jí)映射過程提取深度表達(dá)特征。在多流特征融合中，本文提出基于SCE 模塊的特征加權(quán)融合方法。此外，為了適應(yīng)故障診斷應(yīng)用的需要，后端分類器采用2 個(gè)全連接層和一個(gè)Softmax 計(jì)算層相組合的精簡(jiǎn)設(shè)計(jì)方案。

圖1 非平穩(wěn)信號(hào)組合分析方法框架

信息間互補(bǔ)性是信號(hào)組合分析可行性和合理性的基礎(chǔ)，本文所提出的雙流信號(hào)組合分析方法所提取的特征間具有明確的互補(bǔ)關(guān)系。在上分支，基于傅里葉變換的頻譜特征能夠體現(xiàn)信號(hào)頻譜包絡(luò)的全局變化特性，而小波包分解后所提取的時(shí)頻特征能夠體現(xiàn)頻譜隨時(shí)間變化的局部特征，二者間的融合能夠從全局和局部細(xì)節(jié)上綜合反映信號(hào)的頻域特性。在下分支，CB-CNN 能夠通過多層映射挖掘原始信號(hào)抽象化的深度表達(dá)特征，同頻域和時(shí)頻域特征具有明確的互補(bǔ)性。此外，本文的雙流結(jié)構(gòu)也可解釋為一種聯(lián)合模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)策略的并行組合分析方法，不同于以往級(jí)聯(lián)式多級(jí)處理策略，本文方法能夠更好地保存2 類特征本質(zhì)特性并實(shí)現(xiàn)2 種模型的優(yōu)勢(shì)互補(bǔ)。

4 基于雙流框架的特征提取

4.1 上分支信號(hào)處理流

4.1.1 小波包分解

本文采用小波包分解提取非平穩(wěn)信號(hào)中的時(shí)頻域特征[19]，同時(shí)對(duì)低、高頻成分進(jìn)行分解，以反映原始振動(dòng)信號(hào)隨時(shí)間變化的局部頻譜特性，小波包分解過程如圖2 所示。圖2 中的A 和D 分別表示低頻系數(shù)和高頻系數(shù)，字母后的數(shù)字表示分解的層數(shù)。在此，本文選擇三層小波包分解架構(gòu)，共得到8 個(gè)子頻帶，用表示為每個(gè)子頻帶的重構(gòu)信號(hào)，每個(gè)子頻帶的能量可表示為

其中，n=3，j=0,1,…,7，Ni為重構(gòu)信號(hào)的長(zhǎng)度，為第j個(gè)重構(gòu)信號(hào)的幅值。信號(hào)的能量均方根值可表示為

信號(hào)的能量譜特征可表示為

圖2 小波包分解過程

4.1.2 傅里葉變換

本文采用傅里葉變換提取信號(hào)中的頻譜特征。不同于時(shí)頻域特征，頻譜特征能夠表征非平穩(wěn)信號(hào)的全局頻譜變化特性。對(duì)于離散的振動(dòng)信號(hào)x(n)，其離散傅里葉變換可表示為

其中，k=0,1,…,N?1，N為離散序列的長(zhǎng)度。

4.2 下分支深度學(xué)習(xí)流

本文所提雙流組合分析框架的下分支由CB-CNN 構(gòu)成，用于提取高度抽象化的深度表達(dá)特征。區(qū)別于上分支所提取的頻譜和時(shí)頻域特征，該類特征無明確的物理含義且難以解析。但得益于大數(shù)據(jù)驅(qū)動(dòng)的學(xué)習(xí)過程，深度表達(dá)特征表征同設(shè)備狀態(tài)間常具有強(qiáng)耦合相關(guān)性，有助于提高分析準(zhǔn)確性。

下分支CB-CNN 整體架構(gòu)如圖3 所示。在第一層卷積計(jì)算中采用了64×1 的大尺度卷積核，通過增大感受野以更好地保存原始非平穩(wěn)信號(hào)的空間及時(shí)間相關(guān)性。通過第一層卷積后經(jīng)過正則化、激活層及最大池化層處理，輸入后續(xù)兩級(jí)級(jí)聯(lián)塊。

圖3 CB-CNN 整體架構(gòu)

級(jí)聯(lián)塊的詳細(xì)結(jié)構(gòu)如圖4 所示。

圖4 級(jí)聯(lián)塊的詳細(xì)結(jié)構(gòu)

考慮到非平穩(wěn)信號(hào)具有強(qiáng)時(shí)間相關(guān)性，會(huì)隨著級(jí)聯(lián)深度的增加而逐漸降低，不利于信號(hào)屬性的準(zhǔn)確表征。針對(duì)這一問題，本文設(shè)計(jì)了2 條橋接支路以保存淺層特征中的時(shí)間相關(guān)性。該級(jí)聯(lián)模塊由八層操作組成，包括三層卷積、兩層ReLU、一層批量歸一化、一層上采樣和一層Concatenate 計(jì)算。其中，第一條橋接支路通過Concatenate 計(jì)算將第一層卷積結(jié)果與上采樣層的輸出進(jìn)行連接；第二條橋接支路將前2 個(gè)激活層的輸出進(jìn)行融合，實(shí)現(xiàn)淺層特征信息傳遞。

4.3 基于SCE 模塊的特征融合加權(quán)

在特征融合中，考慮到不同特征在表征性能上的差異，本文提出了一種基于SCE 模塊的特征融合加權(quán)方法，如圖5 所示。

SCE 模塊包含 2 個(gè)輸入，分別為下分支CB-CNN 深度學(xué)習(xí)流提取的維度為L(zhǎng)×C1的特征矩陣和上分支信號(hào)處理流提取的1×C2的一維特征向量。本文中SCE 模塊的主要流程包括 Squeeze、Connect、Extraction 和 Reweight。

1) Squeeze。采用全局平均池化操作對(duì)特征矩陣X進(jìn)行壓縮，以通過一維特征向量m代表二維特征矩陣X，獲得全局感受野。

2) Connect。經(jīng)過Squeeze 計(jì)算得到雙流一維特征，采用Concatenate 操作實(shí)現(xiàn)多特征拼接。

圖5 SCE 模塊

其中，C=C1+C2。

3) Excitation。主要通過多層次的特征降維估計(jì)特征權(quán)重q。

其中，W1和W2為學(xué)習(xí)得到的映射矩陣，δ和g為學(xué)習(xí)得到的映射函數(shù)。

4) Reweight。對(duì)特征進(jìn)行加權(quán)運(yùn)算，敏感特征f為

4.4 訓(xùn)練策略

對(duì)于所提的雙流網(wǎng)絡(luò)架構(gòu)，本文設(shè)計(jì)了一種分級(jí)訓(xùn)練策略。考慮到上分支信號(hào)處理流采用基于模型的特征提取方法，訓(xùn)練過程僅需要對(duì)下分支深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化。此時(shí)，若采用整體一次性訓(xùn)練的技術(shù)方案會(huì)顯著增加無效的訓(xùn)練計(jì)算。為了解決這一問題，在第一級(jí)訓(xùn)練過程中對(duì)下分支的CB-CNN 進(jìn)行單獨(dú)訓(xùn)練，以生成預(yù)訓(xùn)練模型。第二級(jí)訓(xùn)練時(shí)，上下分支組合成完整網(wǎng)絡(luò)，繼續(xù)微調(diào)網(wǎng)絡(luò)模型參數(shù)，最終實(shí)現(xiàn)網(wǎng)絡(luò)整體優(yōu)化。

5 故障診斷應(yīng)用及實(shí)驗(yàn)分析

5.1 實(shí)驗(yàn)數(shù)據(jù)集

為了客觀評(píng)價(jià)本文所提出的信號(hào)組合分析方法的性能，在故障診斷實(shí)驗(yàn)中進(jìn)行驗(yàn)證和分析，采用凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的數(shù)據(jù)集進(jìn)行故障診斷實(shí)驗(yàn)。凱斯西儲(chǔ)大學(xué)軸承數(shù)據(jù)中心的軸承系統(tǒng)平臺(tái)包括3 個(gè)負(fù)載電機(jī)（1hp、2hp 和 3hp）、一個(gè)扭矩傳感器和一個(gè)功率計(jì)。振動(dòng)信號(hào)由加速度計(jì)以12 kHz 的采樣頻率采集。該數(shù)據(jù)集一共包括10 種軸承狀態(tài)，分別為正常狀態(tài)和9 種故障狀態(tài)。故障狀態(tài)包括內(nèi)圈、外圈和滾動(dòng)件上尺寸分別為0.007、0.014、0.021 的單點(diǎn)故障。對(duì)于每個(gè)負(fù)載電機(jī)，每個(gè)狀態(tài)隨機(jī)抽取1 000 個(gè)樣本，共10 000 個(gè)樣本，其中網(wǎng)絡(luò)訓(xùn)練集樣本為7 000 個(gè)，驗(yàn)證集樣本為2 000個(gè)，測(cè)試集樣本為1 000 個(gè)。

由于傅里葉變換和小波包分解特征具有不同的尺度，首先需要采用L2 范數(shù)歸一化方法對(duì)頻譜特征和時(shí)頻特征進(jìn)行歸一化計(jì)算[20]，如式(10)所示。

5.2 參數(shù)選擇和設(shè)計(jì)

本文雙流網(wǎng)絡(luò)架構(gòu)主要層級(jí)的設(shè)計(jì)和參數(shù)選擇如表1 所示。

表1 雙流網(wǎng)絡(luò)架構(gòu)主要層級(jí)設(shè)計(jì)和參數(shù)選擇

對(duì)于小波包分解，分解層數(shù)決定了時(shí)頻分析的分辨率和特征的維數(shù)。本文實(shí)驗(yàn)首先對(duì)分解層數(shù)的選擇進(jìn)行優(yōu)化。不同層數(shù)下小波包分解特征的分類準(zhǔn)確率如表2 所示。從表2 中可以看到，當(dāng)進(jìn)行三層小波包分解時(shí)，分類準(zhǔn)確率最高。

表2 不同層數(shù)下小波包分解特征的分類準(zhǔn)確率

5.3 訓(xùn)練與微調(diào)

為了防止模型的“過擬合”和“欠學(xué)習(xí)”問題，首先對(duì)模型的收斂性進(jìn)行實(shí)驗(yàn)驗(yàn)證。在本節(jié)實(shí)驗(yàn)中，設(shè)置訓(xùn)練階段的學(xué)習(xí)率為0.01，參數(shù)微調(diào)為0.005。圖6 和圖7 分別為訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率曲線及損失函數(shù)曲線?？梢钥闯觯?dāng)?shù)螖?shù)為10時(shí)，模型達(dá)到收斂。

圖8 為測(cè)試集的混淆矩陣。其中，測(cè)試集共有1 000 個(gè)樣本，共10 種狀態(tài)，每個(gè)狀態(tài)分別對(duì)應(yīng)100個(gè)樣本。從對(duì)測(cè)試集的分類結(jié)果來看，本文方法對(duì)于故障檢測(cè)的結(jié)果較好，僅一例RE0.014 樣本誤判為RE0.021 狀態(tài)。

5.4 與其他方法對(duì)比分析

5.4.1 準(zhǔn)確率對(duì)比分析

圖6 訓(xùn)練集和驗(yàn)證集準(zhǔn)確率曲線

圖7 訓(xùn)練集和驗(yàn)證集損失函數(shù)曲線

圖8 測(cè)試集混淆矩陣

許多研究表明，基于深度學(xué)習(xí)的故障診斷方法在特征表征和分類正確性方面優(yōu)于傳統(tǒng)方法[21-25]。但是，深度學(xué)習(xí)網(wǎng)絡(luò)極易陷入過擬合狀態(tài)，雖然對(duì)于個(gè)別案例獲得了極高的分類準(zhǔn)確率，但仍難以取得較高的穩(wěn)定性和推廣性。鑒于此，本節(jié)綜合選擇經(jīng)典的深度學(xué)習(xí)模型和淺層模型作為實(shí)驗(yàn)對(duì)比方法，包括SAE（stacked auto encoder）[21]、SDAE（stacked denoising auto encoder）[23]深度學(xué)習(xí)模型和Bayes[24]、支持向量機(jī)（SVM,support vector machine）[25]方法。圖9 展示了10 個(gè)非冗余測(cè)試數(shù)據(jù)集上本文方法和不同經(jīng)典方法的分類率，表3 為本文方法和不同經(jīng)典方法的平均分類準(zhǔn)確率對(duì)比。

圖9 本文方法和不同經(jīng)典方法的分類準(zhǔn)確率

表3 本文方法和不同經(jīng)典方法的平均分類準(zhǔn)確率對(duì)比

綜合分析圖9 和表3 可知，本文方法明顯優(yōu)于傳統(tǒng)方法，其分類準(zhǔn)確率始終保持在99%以上。此外，SDAE 和Bayes 方法的分類準(zhǔn)確率波動(dòng)較為明顯，本文方法的分類準(zhǔn)確率穩(wěn)定維持在較高水平。

為了進(jìn)一步評(píng)估本文方法，選擇近年來已證明較優(yōu)越的深度學(xué)習(xí)方法作為對(duì)比，主要包括單分支的網(wǎng)絡(luò)模型WDCNN[16]（deep convolutional neural network with wide first-layer kernel）和PCNN[26]（physics-based convolutional neural network），以及多分支模型MSCNN[27]（multiscale convolutional neural network ）、MC-CNN[28]（multi-scale cascade convolutional neural network）和MDI-CNN[18]（multi-dimension input convolutional neural network）。圖10 展示了在10 個(gè)非冗余測(cè)試數(shù)據(jù)集上的本文方法和不同先進(jìn)診斷方法的分類準(zhǔn)確率，表4 為本文方法和不同先進(jìn)診斷方法的平均測(cè)試分類率對(duì)比。

綜合圖9、圖10、表3、表4 的結(jié)果可以看出，與其他信號(hào)分析方法相比，本文方法獲得了最高的故障診斷分類率，對(duì)不同測(cè)試數(shù)據(jù)集的平均準(zhǔn)確率達(dá)到99.85%。此外，提高網(wǎng)絡(luò)深度是一種較為常用的提高特征表征能力的技術(shù)策略，然而，增加網(wǎng)絡(luò)的深度常會(huì)導(dǎo)致過擬合問題。不同于這類技術(shù)策略，本文所提信號(hào)組合分析方法通過特征融合實(shí)現(xiàn)多流特征信息的互補(bǔ)及加權(quán)融合。與盲目地增加網(wǎng)絡(luò)深度相比，該策略在準(zhǔn)確性和穩(wěn)定性上具有更好的表現(xiàn)。此外，本文方法在故障診斷中的平均測(cè)試時(shí)間為4.102 ms，實(shí)現(xiàn)了較高的計(jì)算效率。

圖10 本文方法和不同先進(jìn)診斷方法的平均分類準(zhǔn)確率對(duì)比

表4 本文方法和不同先進(jìn)診斷方法的平均分類準(zhǔn)確率對(duì)比

5.4.2 變?cè)肼晽l件下的對(duì)比分析

為了驗(yàn)證本文信號(hào)組合分析方法的在不同噪聲條件下適應(yīng)性，本節(jié)驗(yàn)證其在信噪比（SNR,signal noise ratio）為?4～10 dB 條件下的分類準(zhǔn)確率。表5 為本文方法與不同先進(jìn)診斷方法抗噪性對(duì)比?？梢钥闯觯疚姆椒ㄔ诓煌旁氡葪l件下都獲得了較高的分類準(zhǔn)確率，僅在SNR=4 dB 時(shí)，分類準(zhǔn)確率略低于MDI-CNN 模型。

表5 本文方法與不同先進(jìn)診斷方法抗噪性對(duì)比

5.4.3 變負(fù)載條件下的對(duì)比分析

在工業(yè)生產(chǎn)過程，儀器設(shè)備常出現(xiàn)負(fù)載變化，傳感器信號(hào)隨之變化，波動(dòng)周期與相位差別顯著，會(huì)嚴(yán)重降低特征的穩(wěn)定性。

跨負(fù)載條件下的故障診斷實(shí)驗(yàn)（使用某一負(fù)載條件下的模型診斷另一負(fù)載條件下的故障）能夠有效展示不同信號(hào)分析及故障診斷方法的穩(wěn)健性和推廣性。鑒于此，本文分別使用負(fù)載為 1 hp、2 hp與 3 hp 下的振動(dòng)信號(hào)對(duì)雙流網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，使用其他2 種負(fù)載條件下的信號(hào)作為測(cè)試集進(jìn)行測(cè)試。表6 為變負(fù)載測(cè)試模式，圖11 為本文方法與不同先進(jìn)診斷方法的變負(fù)載能力對(duì)比，表7 為不同方法在不同模式下的分類準(zhǔn)確率。

表6 變負(fù)載測(cè)試模式

從圖11 和表7 中可以看到，本文方法在6 種變負(fù)載模式下均獲得了較高的分類準(zhǔn)確率，僅在模式5 下，準(zhǔn)確率低于MDI-CNN 模型，證明了本文方法具有較好的穩(wěn)健性和推廣性。

6 結(jié)束語

本文提出了一種非平穩(wěn)信號(hào)組合分析方法，能夠綜合提取頻譜、時(shí)頻及深度表達(dá)特征并融合，以提高對(duì)非平穩(wěn)信號(hào)的表征能力。應(yīng)用于故障診斷實(shí)驗(yàn)比較可以看到，本文所提方法能夠?qū)崿F(xiàn)較為準(zhǔn)確和穩(wěn)健的故障診斷。

圖11 本文方法與不同先進(jìn)診斷方法的變負(fù)載能力對(duì)比

表7 不同方法在不同模式下的分類準(zhǔn)確率

目前，多類深度學(xué)習(xí)方法在信號(hào)分析上表現(xiàn)出較為出色的性能，但其本質(zhì)上采用完全基于數(shù)據(jù)驅(qū)動(dòng)的技術(shù)策略，在實(shí)際應(yīng)用中極易陷入過擬合狀態(tài)，即使對(duì)于個(gè)案取得了極為優(yōu)良的結(jié)果，但在方法的穩(wěn)定性和推廣性上仍值得商榷。此外，深度學(xué)習(xí)模型所提取的抽象化特征難以得到很好的解析，從而對(duì)未來的改進(jìn)發(fā)展造成困難。與之相比，傳統(tǒng)的信號(hào)處理方法可以提取具有物理意義的特征，這對(duì)于信號(hào)分析結(jié)果的進(jìn)一步解析和研究發(fā)展尤為重要。對(duì)于故障診斷應(yīng)用，多類特征間的有機(jī)融合能夠有效提高診斷的準(zhǔn)確性及穩(wěn)定性，這將是未來本領(lǐng)域的主要發(fā)展方向之一。