利用小波包分解和改进的一维卷积神经网络（1D-CNN）对空调压缩机轴承进行故障诊断

《Next Energy》：Fault diagnosis of air conditioning compressor bearings using wavelet packet decomposition and improved 1D-CNN

空调压缩机轴承故障诊断中提出了一种结合小波包分解（WPD）和改进1D-CNN的方法，利用非接触式麦克风采集的声学信号，通过WPD提取多分辨率特征，并改进1D-CNN加入注意力机制、残差网络和域自适应学习，在原始信号和-10 dB信噪比下分别达到100%和95.49%准确率，优于VMD、EMD等方法。

　　空气调节系统中压缩机滚珠轴承的故障诊断是保障设备正常运行的重要环节。作为一种关键部件，滚珠轴承的异常可能会导致设备冷却和加热功能的中断，甚至引发严重的机械故障。传统的故障诊断方法通常依赖于振动信号和接触式传感器，然而在压缩机的特殊工况下，这些方法存在一定的局限性。例如，振动信号的获取受到设备结构复杂性和高表面温度的影响，且安装空间有限，使得传感器难以有效部署。此外，振动信号往往具有显著的非线性和非平稳性，这给信号处理带来了挑战。相比之下，声学信号作为一种非接触式的监测手段，具有更高的灵活性和适应性，可以更简便地获取信息，并且不受物理接触的限制。因此，本文提出了一种基于声学信号的创新故障诊断方法，结合了小波包分解（WPD）和改进的一维卷积神经网络（1D-CNN），以提高压缩机滚珠轴承的故障识别精度。

声学信号分析在工业设备监测中展现出独特的优势。首先，声学信号能够以非接触方式采集，避免了传统传感器对设备的干扰，使得数据获取更加简便。其次，声学信号具有全频段覆盖的能力，能够捕捉到不同频率范围内的特征信息，从而提供更全面的故障分析视角。此外，声学信号的高灵敏度和成本效益，使其成为一种理想的故障诊断工具。特别是对于空气调节压缩机这种高温、高负载运行的设备，声学信号的采集和分析可以有效减少因振动信号耦合和信号弱化带来的干扰。然而，声学信号同样面临非线性和非平稳性的挑战，特别是在噪声干扰严重的环境下，这使得特征提取和分类变得更加复杂。

为了应对这些问题，本文引入了WPD作为特征提取的手段。WPD是一种基于小波分解的全局分析方法，能够将原始声学信号分解为多个频率子带，从而实现多分辨率分析。通过WPD，研究者可以提取出更丰富的时频特征，这些特征能够反映滚珠轴承的微小故障，如内圈和外圈的裂纹等。WPD的分解过程类似于二叉树结构，每一层的信号被进一步分割为低频和高频分量，最终形成多个独立的子带信号。这种多分辨率分析方法能够更准确地捕捉故障信号的特征，尤其是在高噪声条件下，相较于传统的小波分解方法（如VMD、EMD和FMD），WPD表现出更强的适应性和鲁棒性。

在此基础上，本文对1D-CNN进行了改进，引入了注意力机制、残差网络和领域自适应学习等关键技术。注意力机制通过动态调整模型对关键特征的关注权重，提高了模型在处理复杂信号时的识别能力。残差网络则通过引入跳跃连接，缓解了传统CNN在训练过程中可能出现的梯度消失或爆炸问题，从而提升了模型的深度和复杂性处理能力。领域自适应学习通过调整模型在源域和目标域之间的差异，增强了其在不同环境下的泛化能力。这些改进使得改进后的1D-CNN在原始信号上实现了100%的识别准确率，在?10 dB信噪比（SNR）条件下达到了95.49%的识别率，相较基线1D-CNN（81.6%）提升了13.89%的准确率。同时，改进后的模型在噪声环境下的表现优于其他传统特征提取方法，进一步验证了其在实际应用中的优势。

在实验验证方面，本文构建了多个数据集，包括NSK 6205 DDU轴承数据和Case Western Reserve University（CWRU）数据，用于测试模型在不同噪声环境下的性能。通过引入白噪声、飞机舱内噪声（buccaneer1和buccaneer2）以及工厂设备运行噪声（factory1和factory2），研究者模拟了真实工业环境中可能遇到的各种噪声干扰。实验结果显示，改进后的1D-CNN在?10 dB SNR条件下仍能保持较高的识别率（95.49%），而其他模型如XGBoost和MLP在相同条件下识别率显著下降，甚至低于80%。这表明，改进后的1D-CNN在处理噪声环境中的信号时具有更强的鲁棒性。

此外，本文还探讨了不同特征提取方法对模型性能的影响。结果显示，WPD相较于VMD、EMD和FMD在提取故障特征方面具有明显优势，尤其是在复杂噪声条件下。WPD不仅能够保持信号的时间信息，还能更准确地捕捉其频率特征，从而提升模型的识别能力。相比之下，VMD、EMD和FMD在处理非平稳信号时可能遇到模式混叠或分解效率不足的问题，导致故障特征提取效果不佳。因此，WPD成为本文方法中不可或缺的一部分。

在模型设计上，本文提出了一种多通道的改进1D-CNN结构。该结构包括初始卷积层、四个残差块、注意力机制、自适应平均池化层以及领域自适应损失层。初始卷积层负责提取初步特征，而残差块通过多层卷积操作和跳跃连接，增强了模型的深度和非线性处理能力。注意力机制则通过加权处理，使模型能够聚焦于关键特征，从而提升识别精度。自适应平均池化层用于将特征图长度固定，为后续的全连接层提供统一的输入格式。领域自适应损失层通过梯度反转层和领域分类器，帮助模型在不同数据域之间进行有效迁移，提高其在新环境中的泛化能力。最终，通过Softmax层输出各类故障的概率，识别出具有最高概率的故障类型作为诊断结果。

实验结果进一步验证了改进1D-CNN的优越性。在?10 dB SNR条件下，改进后的模型在所有噪声类型下仍能保持95.49%以上的识别率，而传统模型如CNN和RNN则下降至低于80%。这表明，改进后的模型在极端噪声条件下具有更强的适应性。同时，通过T-SNE方法对模型输出的特征进行可视化分析，结果显示不同故障类型的数据点在特征空间中形成了清晰的聚类，说明模型在分类任务中具有较高的准确性。

尽管本文的方法在多个方面表现出色，但仍存在一些局限性。首先，计算复杂度较高，改进后的1D-CNN在标准CPU上的处理时间约为0.42秒，而简单的FFT-SVM方法仅需0.15秒。这在实时监测应用中可能成为瓶颈，特别是在计算资源有限的场景下。其次，固定长度的512点采样可能无法全面反映长期故障趋势，且在?10 dB以下的信噪比条件下，模型的鲁棒性可能受到影响。此外，由于数据集样本数量有限（每类600个样本），模型仍存在一定的过拟合风险，尤其是在噪声随机性较强的情况下，识别结果可能存在0.5%以内的波动。

为了解决上述问题，未来的研究可以考虑对模型架构进行优化，如通过剪枝残差块来降低计算负载，或引入自适应采样窗口以适应不同工况下的故障特征变化。同时，可以在更极端的噪声条件下（如?20 dB SNR）进行测试，以进一步验证模型的鲁棒性。此外，增加数据集的多样性，如引入更多真实工业环境下的样本，有助于减少过拟合现象，提高模型的泛化能力。

总体而言，本文提出的基于声学信号和改进1D-CNN的故障诊断方法，为压缩机滚珠轴承的实时监测和预防性维护提供了一种可靠的解决方案。通过结合WPD和1D-CNN的优势，该方法不仅能够有效提取故障特征，还能在噪声环境下保持较高的识别准确率。这一研究不仅拓展了声学信号在机械故障诊断中的应用范围，也为未来的设备健康监测提供了新的思路和方法。