基于变分自编码器和经验小波变换与卷积神经网络的深度学习轴承故障检测与分类方法

《Franklin Open》:A deep learning approach based on Variational Autoencoder and Empirical Wavelet Transform with Convolutional Neural Network for Bearing fault detection and classification

【字体: 大 中 小 】 时间:2026年03月01日 来源:Franklin Open CS1.4

编辑推荐:

  近年来,人工智能和机器学习的应用发展迅速,并在振动监测等各个领域引起越来越多的关注。振动监测是诊断机械设备故障的强大工具。因此,利用物联网(IOT)和机器学习技术进行自动故障检测至关重要。在当前工作中,研究人员提出了一种深度学习方法,用于轴承故障检测和分类,该

  
近年来,人工智能和机器学习的应用发展迅速,并在振动监测等各个领域引起越来越多的关注。振动监测是诊断机械设备故障的强大工具。因此,利用物联网(IOT)和机器学习技术进行自动故障检测至关重要。在当前工作中,研究人员提出了一种深度学习方法,用于轴承故障检测和分类,该方法使用卷积变分自编码器(VAE)和卷积神经网络(CNN)。经验小波变换(EWT)和包络谱用于特征提取和预处理。基于EWT对添加的噪声信号进行去噪。所提出的模型使用实验数据集在不同轴承和负载条件下进行测试。该研究的效能通过五个性能指标评估,即准确率(accuracy)、精确率(precision)、召回率(recall)和F1-score(F1分数)。模型达到了95.05%的准确率、95.11%的召回率、95.05%的精确率和95.08%的F1-score,显示了所提出方法的有效性。
**论文解读:基于变分自编码器、经验小波变换与卷积神经网络的轴承故障检测与分类方法**

**研究背景与问题**
轴承作为旋转机械的核心部件,其故障检测在设备状态监测中至关重要。早期故障识别可延长设备寿命,避免突发停机。然而,实际振动信号常受噪声干扰,且不同轴承型号、负载条件及故障类型(如内圈、外圈、滚动体及组合故障)使传统方法难以兼顾鲁棒性与泛化能力。现有研究多基于单一信号处理或监督学习,缺乏对无监督特征提取与噪声抑制的联合优化,且针对多类型轴承、多负载场景的通用模型尚不充分。为此,研究人员提出将无监督变分自编码器(VAE)与有监督卷积神经网络(CNN)结合,并引入经验小波变换(EWT)进行信号去噪与特征提取,旨在实现高精度、抗干扰的轴承故障分类。该研究论文发表在《Franklin Open》。

**主要关键技术方法**
1. **经验小波变换(EWT)**:用于自适应分解信号为固有模态函数(IMF),通过去除含噪IMF实现信号重构去噪,并提取包络谱特征。
2. **变分自编码器(VAE)**:以无监督方式学习包络谱的低维隐变量表示(均值与对数方差),实现特征压缩与降噪。
3. **卷积神经网络(CNN)**:以VAE输出的隐变量为输入,进行有监督的多类别故障分类(7类:正常、内圈、外圈、滚动体、内圈+外圈、内圈+滚动体、外圈+滚动体)。
实验数据来源于HUST轴承数据集,涵盖5种轴承型号(6205、6206、6207、6208等)及3种负载条件(0 HP、200 W、400 W),采样率51200 Hz。

**研究结果**
**模型架构与超参数设置**
VAE编码器含3个卷积层、批归一化、最大池化及全连接层,输出80维隐变量;解码器通过转置卷积重构信号。CNN含4个卷积层、LeakyReLU激活、Dropout正则化,最终通过Softmax输出7类概率。训练采用Adam优化器,学习率0.001,批量大小30,迭代100轮。

**无监督VAE训练与特征提取**
VAE训练中证据下界(ELBO)损失收敛至最小值,表明重构误差低。提取的隐变量均值与对数方差作为CNN输入,有效保留了判别性特征。

**多数据集分类性能评估**
- 数据1(6207轴承,400 W负载)、数据2(6206轴承,无负载)、数据4(6205轴承,无负载):总体准确率均为100%。
- 数据3(6208轴承,200 W负载):准确率85.2%。
- 数据5(混合轴承与负载):总体准确率95.05%,召回率95.11%,精确率95.05%,F1-score 95.08%。
对比仅使用原始时域信号,准确率仅39.14%,表明EWT包络谱与VAE特征提取的显著优势。

**噪声条件下的鲁棒性测试**
对测试信号添加标准差0.3的高斯白噪声,经EWT去噪(保留IMF2和IMF3)后,模型总体准确率仍达87.81%,召回率88.36%,精确率87.81%,F1-score 88.08%,验证了EWT预处理的有效性。

**总结与讨论**
研究人员提出的智能维护模型整合了时频信号处理与深度学习,通过EWT去噪、包络谱分析、VAE无监督特征提取及CNN有监督分类,实现了对不同轴承型号与负载条件下单/组合故障的精确识别。该模型在混合数据集上达到95.05%准确率,且对噪声具有鲁棒性。研究结论指出,该模型具备处理大数据、适应多工况及抗噪能力,为工业在线监测提供了有效方案。
**结论部分翻译**:本文提出了一种集成时频信号处理与机器学习工具的轴承缺陷检测智能维护模型。所采用的技术应用于振动信号的三个重要步骤:首先,对时域信号进行分割和标准化;其次,使用EWT提取特征;然后,提取经EWT处理后的信号的包络谱;最后,将频域特征作为VAE的输入,并与CNN结合以对信号进行分类。VAE以无监督方式训练获得隐变量,而CNN以有监督方式训练。该模型的优势在于能够识别和分类不同轴承及负载条件下的故障,考虑噪声的存在,并因VAE的引入而适用于大数据。此外,该研究取得了显著成果,证明了其有效性。使用五个数据集评估了所采用方法的效能。对于不同轴承和负载条件,总体评估指标达到准确率95.05%、召回率95.11%、精确率95.05%和F1-score 95.08%。然而,对于原始数据,准确率仅为39.14%、召回率39.81%、精确率39.14%和F1-score 39.47%。在噪声情况下,测试数据中的信号经EWT滤波后,使用滤波后信号的包络谱测试CNN,模型给出准确率87.81%、召回率88.36%和F1-score 88.08%。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号