多通道多尺度权重自适应神经网络在旋转机械转速智能提取中的创新应用

针对旋转机械多通道振动信号转速提取精度不足的问题，研究人员提出多通道多尺度权重自适应神经网络(MMAN)，通过权重自适应层(WAP)学习通道全局重要性，结合多尺度卷积模块(MS)和双向/单向LSTM捕捉时空特征。实验表明，MMAN在三种齿轮箱数据集上显著优于8种现有方法，为复杂工况下的转速估计提供了高精度解决方案。

　　

论文解读
旋转机械作为工业核心设备，其运行状态直接关系到生产安全与效率。然而，在变转速工况下，传统转速测量依赖额外传感器，面临安装空间受限、成本高昂等问题。尽管基于振动信号的间接测速方法可规避硬件限制，但现有深度学习模型往往平等对待所有通道信号，忽视不同传感器贡献度的差异，且缺乏多尺度特征整合能力，导致转速提取精度受限。

针对这一技术瓶颈，中国的研究团队在《Expert Systems with Applications》发表研究，提出多通道多尺度权重自适应神经网络(MMAN)。该模型通过三阶段架构实现突破：首先利用权重自适应层(WAP)量化通道重要性，随后通过多尺度卷积模块(MS)提取不同感受野特征，最终结合双向长短期记忆网络(BILSTM)和单向LSTM捕捉时序依赖。在螺旋齿轮箱、定轴齿轮箱和平行齿轮箱三类数据集测试中，MMAN的转速提取误差比最优基线方法降低23.6%-41.2%，尤其在随机变速工况下表现出显著鲁棒性。

关键技术方法
研究采用滑动窗口预处理多通道振动信号，构建包含WAP层、卷积层和池化层的初级特征提取模块；通过并联不同核尺寸的MS模块实现多尺度特征融合；采用BILSTM-LSTM混合网络建模长程时序关系；最终通过全连接层输出转速预测。实验对比了CNN、LSTM等8种基线模型，采用均方误差(MSE)和平均绝对百分比误差(MAPE)作为评估指标。

研究结果

1. 权重学习可视化：WAP层在螺旋齿轮箱案例中赋予y轴和z轴振动信号更高权重（0.38/0.35），与物理规律相符，证明模型能自主识别信息量丰富的通道。
2. 多尺度特征优势：MS模块通过3×3/5×5/7×7卷积核并行提取特征，使高频突变和低频趋势的捕捉误差分别降低17.3%和29.1%。
3. 时序建模对比：BILSTM-LSTM组合较单一LSTM提升时序预测连续性，在周期性变速工况下将轨迹断裂现象减少63%。

结论与意义
该研究首次将通道权重自适应与多尺度特征提取相结合，构建了可解释性强的转速提取框架。MMAN的创新性体现在三方面：1) WAP层通过可学习参数实现通道级特征筛选；2) MS模块突破传统单尺度卷积限制；3) 混合时序网络兼顾全局上下文与因果依赖。工程实践表明，该方法可替代传统测速传感器，为智能运维系统提供高精度转速输入，相关技术路线可扩展至其他机械状态参数估计领域。