DWTNet：一种用于旋转机械故障特征提取的新型双分支交互式网络

《Digital Signal Processing》：DWTNet: A novel dual-branch interactive network for fault feature extraction of rotating machinery

有效故障特征提取是旋转机械故障诊断与状态监测的关键，但噪声干扰会弱化关键故障特征。本文提出DWTNet双分支交互网络，通过能量优化的小波基离散波变换提取多频段时频特征，并设计局部精细特征提取分支和全局上下文分析分支，采用动态自适应加权策略融合多尺度特征，有效抑制噪声干扰。实验表明，该方法在恒定噪声和动态噪声环境下均优于现有方法，显著提升故障诊断精度。

　　在旋转机械的故障诊断与健康监测过程中，有效的故障特征提取是至关重要的。然而，环境噪声的干扰常常削弱振动信号中的关键故障特征，使得故障识别变得困难。为了解决这一问题，本文提出了一种新颖的双分支交互网络，命名为DWTNet，该网络结合了离散小波变换（DWT）与深度学习技术，旨在提高在噪声环境下的特征提取能力。DWTNet通过使用能量优化的小波基，将原始振动信号转化为时频表示，从而捕捉不同频率带中的重要故障特征。随后，该网络通过两个交互分支对这些时频谱图进行处理：一个分支用于精细的特征提取，另一个分支则用于更广泛的上下文分析。两个分支通过自适应加权策略进行动态融合，以优化诊断性能。实验结果表明，该方法在恒定和动态噪声环境下均表现出优越的性能，并与其他最先进的模型相比，DWTNet在利用多频特征融合和噪声鲁棒信号处理方面有效提高了故障诊断的准确性。

信号采集是机械故障诊断的基础性步骤，对于获取准确的诊断结果至关重要。在实际操作中，旋转机械的运行环境往往复杂多变，伴随严重的噪声干扰，这导致振动信号被环境噪声污染。这些干扰会掩盖或模糊故障特征信号，从而不可避免地增加了特征提取的难度。因此，如何在噪声环境下准确提取故障特征，成为机械故障诊断的一大挑战。传统的方法在处理这种噪声环境下的非线性信号时常常面临局限性。在这样的背景下，深度学习技术的应用为旋转机械的故障诊断提供了一种新的解决方案。卷积神经网络（CNN）因其能够自动从振动信号或时频表示中提取局部特征，被广泛应用于故障诊断领域。然而，CNN在处理多尺度故障特征时存在一定的限制，其固定的接收场尺度难以捕捉多尺度的故障信息，同时局部关注可能忽略信号中的长距离依赖关系。此外，CNN对噪声较为敏感，这会显著影响诊断的准确性。因此，基于CNN的方法通常在性能上不如结合CNN与多尺度分析的混合架构。

为了提高模型的抗噪能力，许多研究者致力于将不同的深度学习网络结构进行整合，以增强模型的鲁棒性。例如，Liu等人提出了一种基于模型融合的端到端多尺度特征学习方法，能够提取数据中的多尺度空间和时间特征，有效减少特征信息的损失。Zhang等人则引入了一种基于通道-空间注意力机制和特征融合的可选核卷积深度残差网络，用于机械故障诊断。Ye等人提出了一个新颖的CNN多级特征融合网络，用于振动信号的特征学习。Tian等人开发了一种基于小波变换和Transformer的噪声鲁棒自注意力网络，通过频率导向的融合模块和Transformer模块来抑制信号在时间和频率域中的噪声。Wang等人则提出了一个多尺度频率分割去噪网络模型，引入频率分割去噪模块来提取详细的故障特征，并通过不同尺度的卷积通道通信，利用多尺度卷积神经网络学习和丰富整体故障特征。这些研究显示，合理地将不同网络结构进行整合，确实能够有效提高故障识别的准确性。其主要原因是融合方法可以提取不同尺度和级别的故障特征，使得网络能够获取更全面和丰富的故障信息。

尽管上述方法在一定程度上提高了故障诊断的准确性，但目前的融合网络主要依赖于级联和并行结构。例如，Yu等人设计了一种结合时频分析、残差网络和自注意力机制的轴承故障诊断模型。Zhu等人提出了一种基于加权局部域自适应方案和改进卷积块注意力模块的无监督对抗网络，用于齿轮箱故障诊断。Hou等人引入了一种基于注意力机制的多特征并行融合诊断模型，用于滚动轴承故障诊断。Liang等人提出了一种多尺度动态自适应残差网络（MSDARN）用于故障诊断。Chen等人则开发了一种结合特征对齐的多尺度CNN（MSCNN-FA）用于不同工作条件下的滚动轴承故障诊断。Jia等人提出了一种新的故障诊断框架，称为多尺度残差注意力CNN（MRA-CNN），用于从振动信号中学习具有判别性的多尺度特征。这些研究旨在最大程度地融合故障特征，同时去除与故障信息无关的特征。然而，由于内在的结构问题，这些方法不可避免地面临之前讨论过的级联和并行配置的缺点。此外，这些研究多在理想环境或恒定噪声环境下进行，与旋转机械在复杂现实工作条件下的运行情况存在显著差异。这种差异可能导致研究结果和结论在实际应用中的适用性受到限制。

基于上述研究中遇到的问题和不足，本文的研究动机和贡献可以总结为以下几点。首先，我们提出了一种基于能量分布的小波基优化选择方法，用于增强时频表示，从而提高故障特征提取的能力。同时，设计了一种具有横向交互的双分支网络，以适应性地处理和融合高频与低频特征，解决多频融合中的兼容性问题。其次，我们提出了一种基于网格搜索的动态特征融合方法，通过测试准确率动态优化各分支的贡献，确保频率特定特征的平衡整合。利用二维离散小波变换（2D-DWT），输入信号能够自然地分解为频率优化的子带，便于各分支进行特定的处理。最后，我们在动态噪声环境下进行了实验验证，结果表明该方法在噪声鲁棒性和故障识别性能方面优于现有方法，验证了模型在现实条件下的实用性。

本文的结构安排如下。第二部分简要介绍了构建新网络模型的相关理论基础。第三部分详细描述了所提出的方法，包括模型结构和基本原理。第四部分通过三个案例的实验研究，验证了所提出方法的有效性。最后，第五部分总结了研究发现，并提出了未来工作的方向。通过上述研究内容，本文试图解决现有方法在处理多尺度特征和噪声环境下的不足，提高旋转机械故障诊断的准确性和鲁棒性。

在旋转机械故障诊断中，信号处理是提升诊断精度的关键环节。然而，由于旋转机械在运行过程中产生的振动信号通常具有非线性和非平稳性，传统信号处理方法在面对这些复杂信号时往往显得力不从心。相比之下，小波变换凭借其出色的多尺度分析能力，能够有效提取复杂信号中的关键故障特征。小波变换通过分解信号为不同频率的子带，使得信号中的不同频率成分可以被分别处理，从而增强对故障特征的识别能力。这一特性使得小波变换在旋转机械的故障诊断中具有重要的应用价值。通过使用小波变换，不仅可以对信号进行有效的分解，还能在不同频率范围内捕捉关键的故障特征，从而提高诊断的准确性。

为了进一步提升小波变换在故障诊断中的效果，本文提出了一种基于能量分布的小波基优化选择方法。该方法通过比较不同小波基的能量分布情况，选择最适合当前信号特征的小波基，从而增强时频表示的准确性。同时，本文设计了一种具有横向交互的双分支网络，以适应性地处理和融合高频与低频特征。这一设计不仅能够解决多频融合中的兼容性问题，还能提高网络对不同频率成分的处理能力，使得故障特征能够被更全面地提取和分析。通过这种双分支结构，网络可以在不同频率范围内分别提取特征，并通过交互机制实现更高效的融合，从而提高整体诊断性能。

此外，本文还提出了一种基于网格搜索的动态特征融合方法。该方法通过测试准确率动态优化各分支的贡献，确保频率特定特征的平衡整合。这种方法能够根据实际数据的变化，调整各分支的权重，使得网络在不同频率成分下的处理能力更加均衡。同时，通过使用二维离散小波变换（2D-DWT），输入信号能够自然地分解为频率优化的子带，便于各分支进行特定的处理。这种处理方式不仅提高了特征提取的准确性，还增强了网络对噪声的鲁棒性，使得在复杂环境下也能保持较高的诊断性能。

为了验证所提出方法的有效性，本文在动态噪声环境下进行了实验研究。实验结果表明，DWTNet在噪声鲁棒性和故障识别性能方面均优于现有方法。特别是在恒定和动态噪声环境下，该方法能够保持较高的诊断准确性，显示出其在现实条件下的实用性。此外，通过与多种先进的模型进行对比，DWTNet在利用多频特征融合和噪声鲁棒信号处理方面有效提高了故障诊断的准确性。这些实验结果不仅验证了所提出方法的可行性，还展示了其在实际应用中的潜力。

本文的研究不仅在理论层面进行了深入探讨，还在实验层面进行了验证。通过使用Paderborn大学的轴承数据集，本文对所提出方法进行了消融实验，以评估各部分对模型性能的影响。实验设备包括多个模块：电机、扭矩测量轴、滚动轴承测试模块、飞轮和加载电机。采样频率为64 kHz，轴承类型为6203轴承。实验涉及两种滚动轴承损伤情况：人工损伤和实际损伤。通过这些实验，本文验证了DWTNet在不同损伤情况下的适应性，以及其在多尺度特征提取和噪声鲁棒信号处理方面的有效性。

通过上述研究内容，本文旨在提供一种新的解决方案，以解决旋转机械故障诊断中的关键问题。所提出的方法不仅能够有效提取多尺度的故障特征，还能在复杂噪声环境下保持较高的诊断准确性。此外，该方法通过动态融合不同分支的特征，提高了模型的鲁棒性和适应性，使得在不同频率成分下的处理更加均衡。这些改进使得DWTNet在实际应用中表现出优越的性能，为旋转机械的故障诊断提供了新的思路和方法。

在实际应用中，旋转机械的运行环境往往复杂多变，噪声干扰频繁。为了提高故障诊断的准确性，本文提出的方法通过结合小波变换和深度学习技术，实现了对信号的高效处理和特征提取。通过使用能量优化的小波基，原始信号被转化为时频表示，从而捕捉不同频率带中的重要故障特征。这种处理方式不仅提高了信号的清晰度，还增强了模型对噪声的鲁棒性，使得在复杂环境下也能保持较高的诊断性能。此外，通过设计双分支网络，模型能够分别处理高频和低频特征，并通过交互机制实现更高效的融合，从而提高整体诊断能力。

本文的研究成果不仅在理论上有所创新，还在实验上得到了验证。通过消融实验，本文评估了不同部分对模型性能的影响，确保了所提出方法的有效性。实验结果表明，DWTNet在不同频率成分下的处理能力得到了显著提升，同时在噪声环境下的鲁棒性也得到了增强。此外，通过与其他先进模型的对比，本文验证了DWTNet在利用多频特征融合和噪声鲁棒信号处理方面有效提高了故障诊断的准确性。这些实验结果不仅展示了DWTNet的可行性，还为旋转机械的故障诊断提供了新的参考和依据。

在实际应用中，旋转机械的运行环境往往包含多种噪声干扰，这使得故障特征的提取变得困难。为了解决这一问题，本文提出的方法通过结合小波变换和深度学习技术，实现了对信号的高效处理和特征提取。通过使用能量优化的小波基，原始信号被转化为时频表示，从而捕捉不同频率带中的重要故障特征。这种处理方式不仅提高了信号的清晰度，还增强了模型对噪声的鲁棒性，使得在复杂环境下也能保持较高的诊断性能。此外，通过设计双分支网络，模型能够分别处理高频和低频特征，并通过交互机制实现更高效的融合，从而提高整体诊断能力。

本文的研究成果不仅在理论上有所创新，还在实验上得到了验证。通过消融实验，本文评估了不同部分对模型性能的影响，确保了所提出方法的有效性。实验结果表明，DWTNet在不同频率成分下的处理能力得到了显著提升，同时在噪声环境下的鲁棒性也得到了增强。此外，通过与其他先进模型的对比，本文验证了DWTNet在利用多频特征融合和噪声鲁棒信号处理方面有效提高了故障诊断的准确性。这些实验结果不仅展示了DWTNet的可行性，还为旋转机械的故障诊断提供了新的参考和依据。

在实际应用中，旋转机械的运行环境往往包含多种噪声干扰，这使得故障特征的提取变得困难。为了解决这一问题，本文提出的方法通过结合小波变换和深度学习技术，实现了对信号的高效处理和特征提取。通过使用能量优化的小波基，原始信号被转化为时频表示，从而捕捉不同频率带中的重要故障特征。这种处理方式不仅提高了信号的清晰度，还增强了模型对噪声的鲁棒性，使得在复杂环境下也能保持较高的诊断性能。此外，通过设计双分支网络，模型能够分别处理高频和低频特征，并通过交互机制实现更高效的融合，从而提高整体诊断能力。

本文的研究成果不仅在理论上有所创新，还在实验上得到了验证。通过消融实验，本文评估了不同部分对模型性能的影响，确保了所提出方法的有效性。实验结果表明，DWTNet在不同频率成分下的处理能力得到了显著提升，同时在噪声环境下的鲁棒性也得到了增强。此外，通过与其他先进模型的对比，本文验证了DWTNet在利用多频特征融合和噪声鲁棒信号处理方面有效提高了故障诊断的准确性。这些实验结果不仅展示了DWTNet的可行性，还为旋转机械的故障诊断提供了新的参考和依据。

综上所述，本文提出的DWTNet方法通过结合小波变换和深度学习技术，有效解决了旋转机械故障诊断中的关键问题。该方法不仅能够提高多尺度故障特征的提取能力，还能在复杂噪声环境下保持较高的诊断准确性。通过动态融合不同分支的特征，DWTNet实现了更高效的特征处理和分析，从而提高了整体诊断性能。实验结果表明，该方法在不同频率成分和噪声环境下均表现出优越的性能，为旋转机械的故障诊断提供了新的思路和方法。本文的研究成果不仅在理论上有所创新，还在实验上得到了验证，为未来的故障诊断研究提供了有益的参考。