DCS-MFAM：一种针对工业时间序列数据的深度压缩感知方法，该方法结合了多尺度特征提取和注意力机制

《Digital Signal Processing》：DCS-MFAM: Deep Compressive Sensing for Industrial Time-Series Data with Multi-Scale Feature and Attention Mechanism

针对工业物联网中高维时间序列信号压缩与重建的挑战，本文提出DCS-MFAM方法，通过多尺度残差耦合特征融合架构与通道注意力引导的特征优化机制，结合时频域协同约束的联合损失函数，实现高效低失真重建。实验表明该方法在CWRU和MFPT数据集上显著优于现有DCS模型，兼具高压缩比下的鲁棒性、时频一致性及计算效率优势。

　　

傅毅|王倩|柴安颖|郭茂龙|林婉轩

沈阳工业大学，中国辽宁省沈阳市110870

摘要

随着传感器网络的普及，工业系统中的时敏信号激增。这种大量的时间序列数据给带宽有限的通信和计算带来了压力。工业网络要求高效率和严格的准确性，因此高效压缩和高质量重建多维时间序列变得至关重要。然而，许多压缩感知方法在特征提取方面表现较弱，会丢失判别信息，并在高频振动信号中引入时频失真，从而降低重建精度。为了解决这些问题，我们提出了具有多尺度特征和注意力机制的工业时间序列数据深度压缩感知方法（DCS-MFAM）。通过改进多尺度残差结构和特征融合机制，增强了捕捉局部和全局模式的能力。通道注意力引导的特征优化机制为多尺度残差卷积输出中的融合特征分配自适应权重，提高了特征表示能力。在信号重建阶段，将频域增强模块与包含均方误差和皮尔逊相关系数加权的联合损失函数结合，形成了端到端的优化目标。该方法在CWRU和MFPT开源数据集上进行了验证。结果表明，该方法具有较高的重建精度、良好的压缩比鲁棒性，并且计算开销较低，显示出强大的泛化能力和应用潜力。

引言

工业物联网（IIoT）是工业智能和数字化转型的关键基础设施，它通过广泛部署的传感器网络持续收集多源时间序列数据（如振动和压力数据），以实现实时设备监控。随着智能制造的发展，传感器密度和采样率稳步增加，导致工业振动数据呈指数级增长[1]。实际应用中，采样频率通常在12到48 kHz之间；例如，在25.6 kHz和16位分辨率下，单个传感器每秒生成约50 KB的数据。当部署数百个节点时，每小时的数据量可达数GB，消耗大量带宽，并可能在高并发情况下增加传输延迟，从而影响实时控制决策。同时，故障诊断和预测性维护要求在毫秒级内恢复信号。如果压缩-重建算法计算密集或在高压缩比下降低精度，就会影响早期故障检测。因此，在资源受限的工业环境中，如何在低带宽消耗、低计算开销和高保真重建之间取得平衡仍是一个关键挑战[2]。

为了解决上述挑战，压缩重建技术受到越来越多的关注，以在低采样率下实现高保真信号恢复[3]。压缩重建减少了数据传输和存储的负担，同时提高了工业振动信号的处理效率。当前研究主要集中在压缩感知（CS）和深度压缩感知（DCS）[4]上。在压缩感知中，研究旨在通过利用工业时间序列信号在特定变换域中的稀疏特征来克服奈奎斯特采样限制。这使得能够在较低的采样率下收集数据，并使用稀疏优化算法（如基追踪和正交匹配追踪）从稀疏数据中重建完整信号[5]。关键在于设计适用于工业场景的测量矩阵，以实现高效采样同时保留核心信号特征，从而降低传输和存储成本。然而，这些方法严重依赖手工设计的稀疏基和测量矩阵，限制了其对复杂振动模式和噪声环境的适应性[6]。随着深度学习的进步，深度压缩感知已成为研究焦点。这些方法通过端到端网络将传统压缩感知的采样和重建过程转化为可学习的模块，从而实现数据驱动的信号非线性及内在模式探索[7]。当前主流的DCS研究分为两类：一类是将传统稀疏优化算法的迭代过程展开为网络层以提高效率[8]，另一类使用卷积和残差网络等框架将采样数据直接映射到原始信号[9]。一些研究使用生成对抗网络和注意力机制来提高重建精度，或集成时频分析模块来捕捉动态信号特征[10]。

尽管当前方法在振动信号压缩和重建方面取得了进展，但在实际工业场景中仍面临三个重大挑战：（1）适应性和鲁棒性有限：现有模型在复杂的噪声和干扰下表现不稳定，尤其是在变化条件下。（2）实时性和计算效率限制：一些压缩-重建算法计算密集，影响快速处理和在线监控。（3）跨域特征保真度低：振动信号具有复杂的时间和频率特性，现有方法在压缩过程中常常丢失细粒度频率成分，降低重建精度。

现有的振动信号处理压缩感知技术存在局限性，使得端到端深度压缩感知（DCS）成为解决工业时间序列感知数据挑战的关键方法[10]。DCS的核心优势在于它不依赖于固定的稀疏基和线性变换，允许通过端到端可学习架构联合优化采样和重建[11]。DCS采用数据驱动的方法自适应地从工业振动信号中提取非线性特征，从而提高了其对非理想稀疏信号的表示能力[12]。同时，DCS通过精心设计的网络架构在计算效率和重建精度之间保持平衡，更好地满足工业环境的实时性和可靠性要求[13]。此外，通过集成多尺度卷积和注意力机制等模块，DCS有效捕捉振动信号中的瞬态影响和周期性成分，从而提高重建信号在时间和频率域的保真度[14]。因此，DCS在高压缩比、高重建质量和低计算开销之间实现了更好的平衡，更适合工业对高效资源利用和实时处理的需求[15]。

因此，为了实现大规模工业振动信号的高效压缩和高质量重建，我们提出了具有多尺度特征和注意力机制的工业时间序列数据深度压缩感知模型（DCS-MFAM）。需要注意的是，本文的创新不在于单独提出一个网络模块，而在于建立了一个针对工业振动信号特性定制的、结构耦合的压缩重建框架，以实现跨尺度和跨域协同优化。为了解决在非平稳振动信号中保留多频率特征以及在高压缩条件下实现稳定信息恢复的挑战，本文的主要贡献可以总结如下：1.

我们为非平稳振动信号构建了一个多尺度残差耦合特征融合架构。针对工业振动信号的特点（包含瞬态影响和周期性成分），提出了一个结合多分支卷积和残差传播的分层耦合结构。这实现了自适应的跨尺度特征融合，同时保持了轻量级设计。该结构在高压缩条件下增强了局部细粒度信息和全局依赖性的协同建模，从而提高了重建过程中的特征保留能力。

2.

我们提出了一种用于嵌入式通道的两阶段自适应优化机制，包括压缩和重建。与仅在解码阶段引入注意力模块的方法不同，本工作在编码和解码阶段都嵌入了SE通道注意力机制。这使得能够在频带中对故障敏感特征进行预增强和后续校准。这种双路径特征优化策略在结构上减少了压缩过程中关键信息的不可逆损失，提高了在高压缩比下的重建稳定性和鲁棒性。

3.

我们建立了一种具有时频协同约束的联合优化重建策略。为了解决传统DCS模型的不足——这些模型主要依赖于时域误差优化而忽略了频域结构一致性——我们设计了一个轻量级的频域增强分支，并构建了一个混合MSE–PCC加权联合损失函数。该策略在两个维度上约束了重建结果：幅度保真度和结构相关性。它减少了仅依赖MSE导致的过度平滑，从而实现了时域和频域特征的一致优化。

本文的其余部分安排如下：第2节回顾了DCS领域的关键技术进展和最新研究。第3节介绍了压缩感知模型的架构，并通过理论分析定义了研究问题。第4节介绍了基于多尺度特征融合和注意力机制的振动时间序列数据深度压缩感知方法。第5节通过比较实验和性能评估验证了所提出的方法，并分析了结果。第6节总结了研究内容，指出了当前的限制，并概述了未来的研究方向。

相关工作

相关工作

在工业监控和故障诊断中，振动时间序列信号是评估机械状况和预测故障的基础。它们被广泛用于监控和分析关键部件，如转子、轴承和齿轮[16]。然而，这些信号通常表现出非平稳性、多带特性、显著的噪声干扰和较差的稀疏性。在实际应用中，获取和传输大规模振动数据受到带宽限制

系统模型

我们探索了针对时间特征的压缩感知方法，用于处理工业应用中的时间序列振动信号。研究分为两条路径：传统的信号压缩和重建模型，以及用于一维振动数据端到端建模的深度框架。

提出的DCS-MFAM框架

为了解决压缩和重建工业时间序列振动信号的挑战，我们提出了DCS-MFAM，这是一种具有多尺度特征和注意力机制的深度压缩感知方法。该模型采用端到端编码器-解码器架构，包括三个核心模块：（1）具有特征融合的多尺度残差结构，用于完全提取和整合多级时间特征。（2）SE引导的特征优化机制，用于强化关键特征

实验结果与分析

为了验证所提出的DCS-MFAM网络在重建振动信号方面的有效性，我们在CWRU轴承数据中心和MFPT轴承故障数据集上进行了实验。模型性能通过五个指标进行评估：MSE、SSIM、PSNR、SNR和计算复杂度。消融研究评估了多尺度特征融合模块和注意力机制对重建质量的贡献。四个代表性的深度学习压缩感知模型DCAE

结论

为了解决工业物联网环境中振动信号压缩感知中特征提取不足、判别信息丢失和时频失真等问题，我们提出了基于多尺度特征融合和注意力机制的DCS-MFAM方法。该方法结合了增强的残差模块和轻量级多尺度卷积，实现了局部瞬态特征和全局周期性模式的联合建模

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

傅毅于2012年获得辽宁师范大学理学学士学位，2015年获得中国刑事侦查警察大学工程学士学位，2021年获得中国刑事侦查警察大学公共管理硕士学位。目前他在沈阳工业大学攻读仪器科学与技术博士学位，主要研究方向是视觉检测和图像识别。