频率自适应与抗噪并重的高速电机轴承智能诊断网络

针对工业设备故障诊断中特征漂移、噪声干扰及模型不可解释性三大痛点，吉林大学研究团队提出小波卷积智能诊断网络（WCIDN）。该网络融合连续小波卷积与离散小波变换优势，通过自适应工况卷积层（ACC Layer） 动态配置频率/通道/滤波器核函数，并设计自适应小波注意力机制（AWAM） 匹配故障频率与抑制噪声。实验表明，WCIDN在强噪声（-6dB）下诊断准确率达80.41%，显著提升高速轴承在变工况下的可靠性。相关成果发表于《Journal of Computational Design and Engineering》，为工业PHM（故障预测与健康管理）系统提供可解释解决方案。

　　

论文解读

研究背景：工业诊断的"三重困境"

高速电机轴承如同旋转机械的"心脏"，其故障可能导致设备瘫痪甚至安全事故。然而，工业现场诊断面临三大挑战：特征漂移（轴承转速/负载变化导致故障频率动态偏移）、噪声干扰（现场强噪声掩盖故障冲击信号）以及模型黑箱（传统CNN决策逻辑不可追溯）。现有方法如小波初始化卷积（WConv）难以适应多变工况，而离散小波变换（DWT）在噪声抑制与特征保留间存在平衡难题。如何构建兼具自适应、抗噪性、可解释性的诊断模型，成为工业智能化运维的核心痛点。

解决方案：WCIDN网络架构

吉林大学研究团队提出小波卷积智能诊断网络（WCIDN），其核心创新在于三模块协同：

1. ACC Layer：融合Morlet小波（擅长低频分析）与Laplace小波（捕捉瞬态冲击），通过频率核函数α、通道核函数β、滤波器核函数γ动态调整权重（公式9），适应转速/负载变化。
2. DWT Layer：将时域信号分解为高/低频分量（图3），为后续噪声过滤提供多尺度特征。
3. AWAM机制：结合软硬阈值自适应调整（公式12），在保留故障脉冲的同时抑制高斯/拉普拉斯/粉噪等复杂噪声。

关键技术方法

基于吉林大学（径向/轴向负载可调轴承试验台）和都灵理工大学（51.2kHz采样数据集）的实测数据，采用滑动窗口生成1024点样本。训练使用PyTorch框架，通过三重核函数动态优化（公式8）、多级DWT分解（图1）、自适应阈值注意力（公式10-12）实现端到端诊断，在-6dB强噪声下仅需200次迭代即收敛（图7）。

研究结果

4.2.1 小波-CNN方法对比
在-6dB高斯噪声下（表7），WCIDN准确率（80.41%）显著高于单小波初始化模型（Laplace-CNN:78.57%）和DWT-CNN混合模型（76.48%）。其优势源于：

• 多小波融合：四类初始化小波（Laplace/Morlet/Mexh/Shannon）覆盖全频段故障特征（表9）
• 动态抗噪：AWAM使故障特征在t-SNE聚类中更紧密（图9a，类间距10.70% vs MIXCNN的18.04%）

4.2.2 先进模型对比
在拉普拉斯噪声（模拟机械冲击）与粉噪（1/f噪声）测试中（图10），WCIDN保持80%以上准确率。归因于：

• 噪声分离：DWT层解耦高/低频成分，粉噪被约束在低频通道
• 阈值自适应：AWAM对高频脉冲（ω=0.8）和低频振动（ω=0.2）差异化处理

5.1 故障特征可解释性
ACC层权重可视化揭示故障敏感区（图11）：

• 内圈故障：聚焦振动信号的"峰-谷"过渡区（图11c）
• 滚动体故障：强化正向高脉冲区（图11f）

5.2 核函数自适应机制
转速从6000rpm增至30000rpm时（图12-14）：

• 频率核α：权重分布相似但幅值动态调整（图12）
• 通道核β：四类小波权重比从1:1变为Morlet主导（0.38:0.29:0.18:0.15）（图13）
• 滤波器核γ：健康状态侧重低频滤波器（蓝色），故障状态激活高频滤波器（红色）（图14）

结论与意义

WCIDN通过多小波融合初始化与三重核函数动态优化，攻克了变工况下的特征漂移难题；结合DWT-AWAM级联降噪，在-6dB强噪声下仍保持80%+诊断准确率。该模型首次实现：

1. 工况自适应：频率核函数自动跟踪转速相关故障频带（如轴承故障特征频率BPFO/BPFI）
2. 决策可追溯：通过TGAM（时间-频率格拉米角场）可视化诊断依据区域（图11）
3. 工业普适性：验证涵盖吉林大学试验台（变负载）与都灵理工数据集（变转速）

研究发表于《Journal of Computational Design and Engineering》，为高速电机PHM系统提供"诊断-解释-抗噪"一体化解决方案。未来可探索跨模态诊断（融合声发射/热成像）与边缘部署（模型压缩），进一步推动工业AI落地。