基于优化变分模态分解与Transformer-SVM的柴油机改进故障诊断方法

《Processes》：An Improved Fault Diagnosis Method for Diesel Engines Based on Optimized Variational Mode Decomposition and Transformer-SVM Xiaoxin Ma, Shuyao Tian, Xianbiao Zhan, Hao Yan and Kaibo Cui

　　

摘要：针对柴油机振动信号具有非平稳性与非线性特征，导致故障特征无法被充分提取、进而限制故障诊断性能的问题，研究人员提出了一种将优化变分模态分解（Variational Mode Decomposition, VMD）与Transformer及支持向量机（Support Vector Machine, SVM）相结合的改进故障诊断方法。研究采用改进蜣螂优化算法以获取变分模态分解（VMD）的最优参数。通过包络熵最小化原则，在变分模态分解（VMD）后选择最优本征模态函数（Intrinsic Mode Function, IMF），从而实现信号降噪。进一步结合方差分析（Analysis of Variance, ANOVA）进行特征显著性检验，以筛选关键特征。将筛选后的特征输入Transformer网络进行训练，并在最终分类阶段以支持向量机（SVM）分类器替代传统SoftMax分类器。

本文发表于《Processes》，围绕柴油机早期轻微故障的振动信号诊断问题，提出了一种基于MSADBO-VMD与Transformer-SVM的改进故障诊断框架。研究背景在于，柴油机作为大型机械装备的核心动力装置，广泛应用于交通运输、工业生产、农业机械、化工与国防等关键领域，其运行健康状态直接关系到整机系统的安全性与可靠性。柴油机运行过程中存在空气动力噪声、机械噪声与燃烧噪声等多源干扰，缸盖振动信号呈现显著的非平稳、非线性特征，使得故障信息易被噪声淹没，传统时域、频域分析难以有效识别故障根源。已有信号分解方法在端点效应与模态混叠方面存在不足，变分模态分解（VMD）虽然能够较好解决这些问题，但其分解效果高度依赖参数设定。与此同时，在特征学习方面，传统机器学习方法对复杂全局关联的刻画能力有限，常见深度学习模型在全局特征建模上也存在一定局限。因此，开展一种兼具自适应降噪、关键特征筛选与高精度分类能力的柴油机故障诊断研究具有明确的理论价值与工程意义。

研究人员围绕VMD参数优化、振动信号降噪、特征筛选与故障分类四个关键环节展开研究。首先针对蜣螂优化算法（Dung Beetle Optimization, DBO）全局搜索能力不足、易陷入局部最优的问题，引入修正正弦算法（Modified Sine Algorithm, MSA）、Bernoulli混沌映射以及自适应Gaussian–Cauchy混合变异机制，构建MSADBO优化算法，用于搜索VMD的最优分解参数K与惩罚因子α。随后对柴油机振动信号进行VMD分解，并依据最小包络熵准则选择最优本征模态函数（IMF）完成降噪。之后提取时域、频域、小波包能量及部分熵特征，并通过方差分析（ANOVA）筛选显著特征，形成故障特征向量。最后构建Transformer-SVM诊断模型，以Transformer进行全局特征学习，并以SVM替代传统SoftMax完成最终分类。研究结果表明，该方法在故障识别精度、抗噪性能与稳定性方面均表现优异，验证了优化分解与深度特征学习相结合在柴油机故障诊断中的有效性。

本研究主要采用以下关键技术方法：以实验室CA6DF3-20E3高压共轨柴油机为对象，在0%负载、1200 rpm工况下，通过预设故障实验采集六缸缸盖振动数据；采用MSADBO对VMD参数K与α进行寻优，并以最小包络熵或样本熵准则选择最优IMF进行信号降噪；从降噪后的信号中提取19个时域特征、4个频域特征、8个小波包能量特征及部分熵特征，利用ANOVA进行显著性筛选；将特征输入Transformer网络训练，并以SVM替代SoftMax进行分类，最终按3:1划分训练集与测试集，并辅以5折交叉验证评估模型性能。

2.1. VMD
论文首先介绍了变分模态分解（VMD）的理论基础。VMD的核心思想是将原始信号自适应分解为多个频带有限且互不重叠的本征模态函数（IMF）。研究通过构建带宽最小化的变分优化问题，并利用交替方向乘子法（Alternate Direction Method of Multipliers, ADMM）对各模态的中心频率和带宽进行迭代更新，从而实现对非平稳振动信号的自适应分解。该部分为后续信号降噪提供了理论依据，并说明VMD相较其他分解方法在抑制端点效应和模态混叠方面具有优势。

2.2. The Principle of DBO Improvement
在该部分中，研究人员指出传统DBO虽然可用于参数优化，但存在全局搜索能力弱和易陷入局部最优等问题。为此，论文提出了改进算法MSADBO。其改进思路主要包括三个方面：一是引入MSA的正弦迭代机制与自适应惯性权重，以增强全局探索和局部开发的平衡能力；二是采用Bernoulli混沌映射初始化种群，提高初始解的多样性；三是引入自适应Gaussian–Cauchy混合变异，并结合贪婪选择策略保留更优个体，从而扩大搜索范围并提高跳出局部极值的能力。该部分说明了MSADBO作为VMD参数优化器的理论可行性。

2.3. Algorithm Fundamental Principles of the Transformer-Based Network Architecture
论文进一步概述了Transformer网络的基本原理。研究强调，Transformer基于自注意力机制（self-attention mechanism），通过编码器—解码器结构和多头注意力机制（multi-head attention）实现序列内长程依赖关系的建模，能够从输入特征中提取全局相关信息。相比单头注意力或传统深度模型，Transformer在复杂故障特征关系建模方面具有更强表达能力。该部分为后续构建故障识别模型提供了深度学习基础。

2.4. SVM
在分类器理论部分，论文介绍了支持向量机（SVM）的基本思想，即通过寻找最大分类间隔的最优分离超平面实现样本分类。针对柴油机振动特征的非线性特性，研究采用径向基函数（Radial Basis Function, RBF）核，将非线性分类问题映射为对偶二次规划问题求解。该部分表明，SVM具有较强的非线性学习能力，适合用于最终故障类别判别，也为将其替代SoftMax提供了依据。

3. Diesel Engine Fault Diagnosis Procedure
论文在这一部分给出了完整的故障诊断流程。首先采集不同故障状态下的柴油机振动信号，并采用MSADBO-VMD方法搜索最优分解参数，以包络熵最小化为适应度函数。随后利用最优参数进行VMD分解，并选取最能代表故障特征的IMF实现降噪。接着对最优IMF提取多域特征，通过ANOVA筛选显著特征后构建特征向量矩阵，并将样本按3:1划分为训练集与测试集。最后构建Transformer-SVM模型，通过训练样本不断调整参数，再对测试集进行故障识别。该流程明确体现了从信号处理、特征工程到模式识别的完整技术链条。

4. Predefined Fault Test and Vibration Signal Preprocessing
该部分介绍了实验平台、预设故障类型、数据采集方案与预处理流程。研究对象为实验室CA6DF3-20E3高压共轨柴油机，实验平台包括柴油机本体、状态监测面板和振动信号采集系统。研究在六个缸盖位置布置传感器，以比较不同测点的特征表现。预设故障包括单缸失火、空气滤清器堵塞、供油不足、喷油器滴油等，且均属于不影响正常运转的早期轻微故障。数据采集时发动机转速固定为1200 rpm、采样频率20 kHz、每次采集12 s，每2000点构成一个样本，每种故障状态获得120个样本，其中90个用于训练、30个用于测试。结果显示，4号传感器特征表现最佳，因此后续验证主要基于该测点数据。之后，研究利用MSADBO-VMD获得不同故障状态下的最优分解参数与最佳IMF，并通过ANOVA从多类候选特征中筛选出高显著性特征，完成故障样本构建。

5.1. Verification of the Superiority of the MSADBO Algorithm
为验证MSADBO的优越性，研究将其与DBO、GWO、SSA、WOA和NGO五种元启发式算法在四个标准测试函数上进行比较。F1和F2为单峰函数，用于评价局部开发能力；F3和F4为多峰函数，用于评价全局搜索能力。在统一种群规模15、最大迭代次数1000的条件下，MSADBO在优化精度和收敛速度上均优于其他算法。该结果证明，论文提出的改进策略能够有效提升原始DBO的寻优性能，从而为VMD参数优化提供更可靠支撑。

5.2. The t-SNE Method Was Adopted to Verify the Effectiveness of the Diagnostic Method
该部分通过t分布随机邻域嵌入（t-distributed Stochastic Neighbor Embedding, t-SNE）对故障特征分布进行可视化分析。结果显示，原始样本在六类工况下存在明显重叠与类间混杂，尤其是1缸失火与2缸失火几乎完全重叠，正常、空滤堵塞、供油不足和喷油器滴油等状态亦高度交织，难以直接判别。经过MSADBO-VMD处理并由Transformer-SVM识别后，各类故障特征明显分离，仅有1个2缸失火样本被误判为正常状态。该结果表明，所提出模型能够有效增强不同故障模式间的可分性。

5.3. Comparison with Other Fault Diagnosis Methods
研究进一步将所提方法与SVM、BP、CNN、LSTM等方法进行对比。为保证公平性，各模型均基于相同的MSADBO-VMD降噪结果与特征提取流程进行测试，同时设置原始信号直接输入Transformer-SVM的对照组。结果表明，MSADBO-VMD-Transformer-SVM的诊断准确率达到99.44%，优于MSADBO-VMD-LSTM的97.33%、MSADBO-VMD-CNN的94.43%、MSADBO-VMD-BP的90.56%和MSADBO-VMD-SVM的88.33%；而原始信号-Transformer-SVM仅为77.23%。这说明Transformer在全局特征提取方面优于传统机器学习和常规深度学习模型，同时也证明MSADBO-VMD降噪对提升故障识别性能具有关键作用。5折交叉验证结果为98.7% ± 1.2%，与3:1划分测试结果差异很小，进一步验证了模型的稳定性和有效性。训练与验证曲线显示，两者精度同步上升并稳定在98%以上，损失同步下降，且二者差距始终控制在3%以内，训练1000次后未出现明显过拟合。

5.4. Noise Test
为评估模型抗噪能力，研究向原始振动信号中加入信噪比（SNR）为?10 dB至10 dB的Gaussian白噪声，模拟真实工况下的噪声污染环境。结果表明，当SNR高于?8 dB时，模型分类准确率超过95.0%；即使在SNR为?10 dB时，诊断准确率仍超过81%。进一步与其他五种诊断模型比较发现，随着SNR降低，所有模型精度均有下降，但本文方法下降幅度最小，在高噪声条件下仍保持最佳识别性能。该结果证明所提模型具有较强的抗噪鲁棒性，适用于复杂噪声背景下的柴油机故障诊断。

讨论部分表明，本研究的核心贡献在于将优化的信号分解方法与深度全局特征学习方法有机结合。MSADBO通过增强全局搜索、提升初始种群多样性和引入混合变异策略，弥补了传统DBO在VMD参数优化中的不足，提升了信号降噪质量；Transformer-SVM则通过融合Transformer的全局表示能力与SVM的非线性判别优势，提高了故障分类精度。实验对比、可视化分析、交叉验证和加噪测试共同支持了该方法在精度、稳定性与鲁棒性方面的优势。不过，论文也明确指出研究仍限于单台柴油机、单一工况与小规模数据集条件下的验证，对实际工程应用的支撑仍有限，未来需在多平台、多负载、多转速及渐进性微弱故障场景中进一步开展长期监测研究。

研究结论部分翻译如下：
本文提出了一种基于MSADBO-VMD与Transformer-SVM的柴油机故障诊断方法。针对DBO优化算法全局搜索能力弱、易陷入局部最优的局限，研究通过嵌入修正正弦算法、自适应Gaussian–Cauchy混合变异扰动以及Bernoulli混沌映射对其进行改进。上述改进使得VMD最优参数的识别更加有效，从而解决了柴油机信号降噪问题。为增强提取信号特征的分类效果，研究在最终分类阶段以SVM分类器替代Transformer模型中的传统SoftMax分类器，进一步提高了分类精度。通过结合MSADBO-VMD较强的降噪能力与Transformer-SVM优异的全局特征学习能力，构建了一个高精度、抗噪声的故障诊断模型。实验验证和对比分析证实了所提故障诊断方法的有效性与优越性。主要结论如下：第一，MSADBO有效克服了DBO算法全局探索能力不足和易陷入局部最优的问题。第二，基于MSADBO-VMD与Transformer-SVM的故障模型能够有效去除信号噪声干扰并识别故障特征，即使在强噪声条件下仍保持较高精度和稳健性能。论文同时指出，尽管该方法在柴油机故障诊断中表现出较高准确率与鲁棒性，但其验证仍受限于单机、单工况、轻微故障与数据集规模较小等因素，在实际智能故障诊断应用方面仍有不足。未来研究将结合不同负载与转速条件、多发动机平台以及轻微渐进故障场景，进一步开展包含声学信号在内的长期监测研究。