一种多传感器跨尺度时频网络，用于噪声环境中的智能齿轮故障诊断

《Engineering Applications of Artificial Intelligence》：A Multi-sensor Cross scale Time–Frequency Network for intelligent gear fault diagnosis in noisy environment

　　本文提出基于多传感器交叉尺度时间-频率网络（MCTFN）的智能齿轮故障诊断方法，通过小波重构优化高频系数提取区域方差实现多源数据融合，结合经验模态分解（EMD）和离散小波变换（WT）生成二维时频图，采用跨尺度卷积和双残差深度可分离结构提取特征，最终通过优化分类器实现高精度诊断，在原始信号中达到99.70%准确率，-6dB高斯噪声下仍保持94.06%准确率。

　　高精度齿轮故障诊断在工业系统中具有至关重要的作用。齿轮作为机械系统中传递动力、改变速度和扭矩、调整运动方向的关键部件，其状态直接影响整个系统的运行效率和安全性。然而，实际中采集到的齿轮振动信号往往受到强烈的噪声干扰，这使得传统故障诊断方法的准确性大打折扣。因此，如何有效提取齿轮故障特征并提高诊断精度，成为当前研究的重点。本文提出了一种基于多传感器交叉尺度时频网络的智能齿轮故障诊断方法，旨在解决现有方法在信息利用不足、噪声干扰严重以及诊断精度较低等问题。

随着工业自动化和智能化的不断推进，传感器技术的进步与计算机硬件性能的提升，使得基于数据驱动的故障诊断方法成为主流。传统方法通常分为两个主要步骤：特征提取与故障分类。在特征提取方面，常用的技术包括短时傅里叶变换（STFT）、小波变换（WT）、经验模态分解（EMD）和多尺度排列熵（MPE）等。这些方法能够从振动信号中提取出反映故障特征的信息。在故障分类方面，支持向量机（SVM）、支持向量数据描述（SVDD）、随机森林（RF）、K近邻（KNN）和极限学习机（ELM）等算法被广泛应用。然而，传统方法存在诸多局限性，如数据维度高导致诊断性能下降、依赖人工特征提取、模型适应性差等。

相比之下，深度学习方法能够自动学习高度抽象和复杂的特征表示，从而有效处理高维和非线性故障数据。深度学习模型在训练数据量大的情况下展现出强大的泛化能力。常见的深度学习架构包括卷积神经网络（CNN）、长短期记忆网络（LSTM）、循环神经网络（RNN）、变分自编码器（VAE）、深度信念网络（DBN）以及受限玻尔兹曼机（RBM）等。其中，CNN因其灵活的结构组合和强大的多级非线性表示能力，在故障诊断中得到了广泛应用。例如，Wang和Lu（2024）提出了一种多核CNN和分层融合机制，以提取深层故障特征。Sun等（2022）利用小波变换将振动信号转换为时频图像，并结合贝叶斯算法和改进的注意力机制，提高了特征学习的效果。Huo等（2023）改进了一维CNN，使其能够更有效地关注关键特征，实现不同工况下的迁移学习。Liang和Zhao（2021）提出了一种多级残差连接架构，通过不同的权重系数实现低级特征在高级层中的复用，从而缓解CNN的过拟合问题。Mohammad-Alikhani等（2023）进一步将LSTM引入残差CNN框架，以增强特征映射能力。然而，上述方法大多依赖于单一传感器数据，容易受到传感器故障和噪声的影响，难以满足实际工业场景中对多传感器数据融合的需求。

在多传感器信息融合方面，现有方法通常分为数据级融合、特征级融合和决策级融合三种类型。数据级融合直接整合不同传感器的原始数据，保留最原始的信息。特征级融合则通过提取不同传感器信号的特征，并进行融合，以降低数据维度并提供更精确的故障特征表示。决策级融合则是对每个传感器的独立诊断结果进行处理，最后融合各传感器的决策输出。在数据级融合领域，Yang等（2023a）提出了一种基于改进模糊支持向量机的数据融合算法，并引入了一个具有自适应噪声抑制功能的集成经验模态分解模块，用于分解和重构多源传感器信号。Zhu等（2022）将多个方向传感器信号拼接为统一信号，并采用无监督表示学习方法，以对齐至深度Q网络，从而增强特征提取能力。在特征级融合方面，Wang等（2022）利用双线性模型和交互注意力机制，共同提取和融合故障相关特征。Yang等（2022）则构建了无相位的k近邻图，通过多通道图卷积网络实现了特征融合。在决策级融合方面，Shao等（2021）结合小波函数与堆叠自编码器，以自适应方式为振动数据分配权重。Li等（2021）采用Dempster–Shafer（D-S）证据理论，融合支持矩阵机的后验概率输出，并根据振动和红外信号的特性分配不同的置信度权重。然而，大多数融合策略仍依赖于简单的拼接或求和操作，未能充分利用多传感器信号中蕴含的丰富信息。此外，这些方法在强噪声环境下表现不佳，关键特征可能被掩盖，从而影响诊断效果。

本文提出了一种多传感器交叉尺度时频网络（MSCSTFN），用于智能齿轮故障诊断。该方法旨在解决现有方法在信息利用不足、噪声干扰严重以及诊断精度较低等方面的缺陷。MSCSTFN主要包括四个核心模块：区域方差小波融合模块（RVWFM）、时频转换模块（TFCM）、交叉尺度特征提取模块（CSFEM）和深度可分离双残差模块（DSDRM）。RVWFM通过优化高频率系数，实现多传感器数据的融合，从而提取出更丰富的故障信息并降低噪声影响。TFCM利用经验模态分解（EMD）和小波变换（WT）生成时频图像，以便更全面地提取故障特征。CSFEM结合了多尺度卷积核和注意力机制，以增强和突出时频图像中的显著特征。DSDRM则通过深度可分离结构和双残差机制，进一步优化融合后的特征表示，提升模型的鲁棒性和泛化能力。

RVWFM的设计创新在于采用区域方差优化策略对小波变换中的高频率系数进行处理。传统的多传感器融合方法通常采用信息求和或级联策略，但这些方法在处理噪声或数据样本有限的情况下，往往无法充分发挥各传感器信号的独特优势。信息求和虽然能够整合数据，但可能导致特征信息的冗余和干扰，而级联策略则可能因多层处理导致信息丢失。RVWFM通过提取信号的区域方差，对高频率系数进行优化，从而在保留信号本质特征的同时，有效降低噪声对诊断结果的影响。实验结果表明，通过引入多维信号融合层，该方法在诊断准确率上比单一传感器方法提高了6%。

在时频转换方面，本文采用了经验模态分解（EMD）和小波变换（WT）相结合的方法，以生成二维时频图像。EMD是一种自适应信号分解技术，能够将复杂信号分解为若干个本征模态函数（IMF），从而揭示信号的内在结构。而小波变换则能够提供信号在不同尺度下的频率信息，有助于识别故障特征。通过EMD和WT的联合应用，本文能够从多传感器融合后的信号中提取出更丰富的时频特征，为后续的特征提取和分类提供坚实的基础。此外，这种方法无需依赖模拟数据，减少了额外的训练成本，提高了诊断的实时性和适用性。

在特征提取阶段，本文采用了多尺度卷积核（7×7、5×5和3×3）来捕捉不同尺度下的信号特征。同时，引入了双循环残差结构，以增强模型对关键信息的关注。传统的卷积神经网络在处理高维数据时容易出现梯度消失或梯度爆炸的问题，而残差结构能够缓解这一问题，使网络能够更有效地学习深层特征。实验结果表明，结合交叉尺度融合和双残差深度可分离卷积的特征提取方法，相比基线模型提高了7%的分类准确率。

为了验证MSCSTFN的有效性和优越性，本文在两个齿轮故障诊断的基准数据集上进行了实验。实验代码使用Python语言编写，并基于PyTorch框架实现。所有实验均在配置为32GB RAM、Intel Core i5-10400F处理器和NVIDIA GeForce RTX 3060 GPU的计算机上进行。实验中采用了64的批量大小、随机梯度下降（SGD）优化器、交叉熵损失函数、初始学习率为0.001以及学习率衰减策略。实验结果显示，MSCSTFN在原始信号上的诊断准确率达到99.70%，而在-6 dB高斯噪声干扰下的信号上仍能保持94.06%的高准确率。这表明，该方法在处理噪声干扰方面具有较强的鲁棒性，能够有效提升齿轮故障诊断的准确性。

本文的研究贡献主要体现在以下几个方面：首先，提出了一种基于离散小波变化算法的多传感器融合模块，通过优化高频率系数提取区域方差，从而实现对振动信号中有效特征的全面提取，提高了故障诊断的可靠性和鲁棒性。其次，利用变分模态分解（VMD）对原始故障信号进行分解，并基于前两个本征模态函数生成二维时频图像，避免了对模拟数据的依赖，减少了额外的训练成本。第三，引入了多尺度卷积核和双循环残差结构，增强了模型对关键信息的捕捉能力，同时提高了分类准确率。最后，通过实验验证了MSCSTFN在噪声环境下的稳定性，表明该方法在实际工业应用中具有较大的潜力。

在实际工业应用中，齿轮故障诊断不仅需要高精度，还必须具备良好的鲁棒性和适应性。传统的单传感器方法在面对复杂工况和强噪声干扰时，往往难以提供可靠的诊断结果。而本文提出的MSCSTFN方法通过多传感器数据融合和交叉尺度特征提取，能够有效克服这些挑战。此外，该方法在小样本条件下依然能够保持较高的诊断准确率，这为实际工业场景中数据获取困难的问题提供了可行的解决方案。

综上所述，本文提出了一种基于多传感器交叉尺度时频网络的智能齿轮故障诊断方法，通过优化小波变换、引入双循环残差结构和多尺度卷积核，实现了对振动信号中关键故障特征的高效提取和分类。实验结果表明，该方法在噪声环境下依然能够保持较高的诊断准确率，显示出良好的鲁棒性和泛化能力。这一研究不仅为齿轮故障诊断提供了新的思路和技术手段，也为其他旋转机械的故障检测研究奠定了基础。未来，随着传感器技术和深度学习方法的不断发展，多传感器融合与交叉尺度特征提取的结合将成为提升故障诊断性能的重要方向。