T型三级逆变器的开路故障诊断：一种基于深度融合网络的智能方法

《Franklin Open》：Open-Circuit Fault Diagnosis of T-type Three-Level Inverters: An Intelligent Approach Based on a Deep Fusion Network

　　张俊豪|王荣杰|林安徽|刘浩|厦门集美大学海洋工程学院，中国361021

摘要：传统的T型三级（T23L）逆变器故障诊断方法往往受到手动特征工程依赖性和抗噪能力不足的制约。为了克服这些限制，本文提出了一种名为CEBANet的新型深度学习网络，该网络结合了一维卷积神经网络（1D-CNN）骨干和三种关键机制：高效通道注意力（ECA）、双向长短期记忆（BiLSTM）网络以及最终的注意力模块。在方法论上，该网络首先通过滑动窗口和随机采样处理三相电流的增强时间序列样本。ECA增强的CNN骨干提取关键的空间特征，BiLSTM捕捉长期时间依赖性，最终注意力层确定最显著的部分以进行分类，从而能够识别各种开路（OC）故障模式。广泛的实验结果表明，所提出的CEBANet模型能够有效识别19种不同的运行状态，并在各种信噪比（SNR）条件下保持良好的鲁棒性。

1. 引言

作为现代电气化交通系统的重要组成部分，T型三级（T23L）逆变器因其高效率、低电磁干扰（EMI）和最小的谐波失真等关键优势而备受重视[[1], [2], [3]]。通过空间矢量脉宽调制（SVPWM）和磁场定向控制（FOC）等先进控制策略，可以实现电机速度和扭矩的有效调节，从而提高电力牵引系统的整体效率和稳定性。因此，随着这些逆变器在关键应用中的广泛应用，逆变器的可靠性和故障诊断问题引起了广泛关注[4]。功率器件故障是电力转换器故障的主要原因，据报道占此类事件的约38%[5]。在逆变器的背景下，这些关键的功率器件通常是绝缘栅双极晶体管（IGBT）。IGBT故障主要分为两种类型：短路（SC）故障和开路（OC）故障。SC故障尤其严重，因为它们可以产生数倍于额定值的过电流，对器件造成灾难性故障的直接威胁。因此，针对这些故障的保护通常依赖于控制电路中集成的微秒级硬件关断机制[6,7]。由于大多数商用IGBT驱动器仅配备有SC保护，系统容易受到OC故障的影响。这就需要开发先进的诊断算法来及时检测这些故障并防止二次故障或系统退化[8]。因此，逆变器中OC故障的诊断已成为一个重要的研究领域。历史上，OC故障诊断的研究主要分为三种方法：基于信号的方法、基于模型的方法和基于知识的方法[9]。

基于信号和基于模型的方法的一个显著缺点是它们依赖于对逆变器特定拓扑和控制策略的深入理解，这本质上限制了它们的通用性。例如，基于信号的方法通常通过分析电流失真[10]或从三相电流中提取特定特征[11]来诊断OC故障。另一方面，基于模型的方法通过构建系统的精确数学模型来工作，然后通过分析模型预测输出与实际测量信号之间的差异来进行故障检测和定位。王等人[12]提出的故障诊断方法就是一个例子，该方法结合了有限状态机（FSM）和粗糙集理论（RST）。然而，这种方法对精确数学模型的依赖性限制了其在不同系统中的适用性。

第三类方法是基于知识的方法，代表了人工智能在故障诊断中的最早应用之一。这些方法基于规则推理原理，建立观察到的故障症状与其根本原因之间的直接映射。虽然纯基于知识的系统存在局限性，但它们的核心概念激发了强大混合方法的发展。例如，Kou等人[13]提出了一种方法，将基于知识的Concordia变换用于特征提取与基于数据的随机森林（RF）分类器相结合。类似地，其他研究人员如Li等人[14]和Long等人[15]也开发了模型-数据混合方法，展示了将传统专家知识与数据中心技术相结合以提高诊断准确性和适应性的趋势。作为早期智能诊断的一个重要分支，这些基于知识和后续的混合方法为现代的纯数据驱动技术（如深度学习（DL）铺平了道路。

随着计算能力的提升和大规模数据集的可用性，DL已成为故障诊断中的主导范式。与基于知识的传统方法不同，DL采用端到端的学习方法，利用深度神经网络直接从复杂的故障信号中学习层次化特征表示。这种绕过传统信号处理步骤（如傅里叶或小波变换）的能力使得DL特别适合分析逆变器故障特有的原始、非平稳电流。这种能力显著减少了对手动特征工程和领域专业知识的依赖，特别是在复杂运行条件和噪声环境中，提高了鲁棒性和泛化性能。因此，DL已成为逆变器故障诊断的主要研究方向[16]。在这一领域的开创性工作中，Sun等人[17]提出了一种方法，利用一维卷积神经网络（1D-CNN）直接从三相电流输入中提取和分类故障特征。在此基础上，后续研究[18,19]将双向长短期记忆（BiLSTM）网络与CNN架构相结合。这种混合方法协同结合了CNN的空间特征提取能力和BiLSTM的时间建模优势，在诊断准确性和稳定性方面优于独立的1D-CNN模型。为了进一步完善特征提取过程，Wang等人[20]引入了高效通道注意力（ECA）模块。通过使用快速的一维卷积，ECA能够自适应地建模通道间的依赖性，而无需像SE模块那样的降维步骤。

尽管在一维端到端架构方面取得了这些重大进展，但对近年来提出的类似深度学习诊断方法的回顾显示，为了逐步提高诊断准确性，一些最新研究采用了与这种轻量级端到端理想模型严重偏离的复杂架构。例如，某些极深的神经网络[21]仍然需要繁琐的手动特征工程——例如提取各种时域和频域特征——才能将数据输入到庞大的全连接层中。相反，其他最先进的方法，如视觉变换器（ViT）[22]，需要计算成本高昂的预处理将一维电流信号转换为二维时频图像。虽然这些重型模型实现了显著的准确性，但它们显著增加了预处理的计算负担和参数数量，从而削弱了DL的核心优势，并对实时部署在成本效益高的嵌入式控制器上构成了严峻挑战。

为了解决现有文献中发现的局限性，本文提出了一种名为CEBANet的新型深度学习模型，用于T23L逆变器的故障诊断。所提出的架构基于1D-CNN骨干，并协同集成了ECA模块、BiLSTM网络和最终的注意力机制。本研究的主要贡献总结如下：

1. 与需要繁琐手动特征提取[21]或计算成本高昂的一维到二维信号转换[22]的最近复杂架构相比，所提出的CEBANet严格遵循端到一端处理范式。这种设计有效地绕过了复杂的数据预处理，同时实现了对T23L逆变器中单个和复杂复合OC故障的高度准确识别。

2. 虽然现有研究通常依赖于主要捕获局部特征的独立1D-CNN[17]，但CEBANet专门设计用于全面提取多变量电流信号的复杂时空动态。1D-CNN和ECA模块的集成自适应地提取了空间通道间的依赖性，而无需降维。同时，BiLSTM和最终注意力机制动态模拟了长期时间故障演变，显示出比传统基线更优越的特征细化能力。

3. 与许多主要在理想无噪声条件下验证的现有数据驱动诊断方法不同，本研究严格评估了所提模型在真实工业场景中的可靠性。实验结果证实，当受到不同水平的高斯白噪声影响时，CEBANet保持了比传统方法显著更高的诊断准确性和稳定性，有效克服了传统基于信号方法的脆弱性。

本文的其余部分组织如下：第2节详细分析了T23L逆变器的故障；第3节阐述了所提出的CEBANet故障诊断方法；第4节分析和讨论了实验结果以验证模型的性能；第5节总结了本文的关键发现。

2. T23L逆变器的故障分析和仿真

2.1. T23L逆变器拓扑和故障类别

T23L逆变器常用于电力牵引和电机驱动系统等应用中。因此，本研究的方法是基于带有电机负载的T23L逆变器的电路拓扑开发的，如图1所示。逆变器拓扑由三个相位组成，每个相位包含四个开关器件（SX1–SX4，其中X∈{A,B,C}）。

虽然一些针对相同T23L逆变器拓扑的最新诊断方法主要关注单个开关故障[15]，但在实际操作中，一旦诊断出单个OC故障，通常会启用容错控制[9]。因此，为了全面测试模型的诊断性能，本文考虑了单个OC故障和多个OC故障[9]。本研究构建的19种运行状态涵盖了1种健康状态，并特别测试了模型在所有12种单个开关OC故障和6种典型双开关复合OC故障下的性能。这种分类系统地涵盖了实际操作中遇到的主要开路故障模式。这些条件分类如下：

1. 单个OC故障，涉及12个开关器件中的任何一个故障。这一类别包括总共12种不同的故障情况。

2. 相内复合OC故障，涉及同一相位支路中两个开关的同时故障。本研究考虑了3种代表性情况：SA1-SA2、SB1-SB2和SC1-SC2。

3. 相间复合OC故障，涉及不同相位支路中两个开关的同时故障。本研究也考虑了3种代表性情况：SA1-SB1、SA1-SC1和SB1-SC1。

4. 健康状态，表示没有任何故障的正常运行。这构成了一种情况。

这19种运行状态在表1中进行了总结。

表1. 故障类别及其对应标签

故障类型 标签
0 SC
1 SA1
2 SC3
3 SA2
4 SB1-SB2
5 SC1-SC2
6 SA1-SB1
7 SA1-SC1
8 SB1-SC1
9 SC1
10 SA1-SA2
11 SC4
12 SB1-SB1
13 SC1-SC2
14 SB1
15 SC1-SC2
16 SA1-SB1
17 SB3
18 SA1-SC1
19 SC1

2.2. 故障仿真和特征分析

为了分析不同故障的特征，在Matlab/Simulink中开发了T23L逆变器驱动系统的仿真模型。三相输出电流分别表示为ia、ib和ic，作为主要的诊断数据。图2展示了几种关键条件下的模拟电流波形示例。

波形的视觉分析显示了OC故障对系统输出的显著影响。在健康状态（图2(a)）下，三相电流是具有120°相位差的平衡正弦波。相比之下，OC故障的发生引入了显著的失真。例如，SA1中的单个故障（图2(b)）严重扭曲了A相电流，并影响了其他两个相位，引入了直流分量并改变了它们的幅度。复合故障导致更明显的失真；相内SA1-SA2故障（图2(c)）使得A相电流几乎完全失去了正弦波形状，而相间SA1-SB1故障（图2(d)）导致所有三个相的失真程度不同。

这种分析证实，每种故障条件在三相电流中产生独特且可识别的特征，从而验证了它们作为数据驱动诊断模型输入特征的适用性。因此，挑战在于开发一种能够直接从原始时间序列数据中自动学习这些复杂模式的架构，而无需人工干预。这一动机构成了后续部分提出的方法论的基础。

3. 提出的故障诊断方法

所提出的CEBANet方法的整体工作流程如图3所示，包括四个主要阶段：数据采集、数据增强、特征提取和模型训练以进行分类。该方法的核心是一种协同架构，结合了1D-CNN的空间特征提取能力和BiLSTM的时间建模优势。此外，还集成了注意力机制，使模型能够选择性地关注最相关的特征，从而提高诊断准确性。数据采集与增强

在实际的故障诊断场景中，由于成本高昂和操作复杂性，采集足够的训练样本往往受到限制。为了降低过拟合的风险并提高模型的鲁棒性，采用了一种基于滑动窗口且随机起始点的时间序列数据增强策略。为了确保这种增强过程能够保留基本的故障演变模式而不引入虚假特征，窗口长度l是根据系统的物理参数仔细选择的。采样频率为fs = 4000 Hz，基频为f = 50 Hz，每个电周期的采样点数为NC = fs / f = 80。窗口长度l设置为120个采样点，大约涵盖了1.5个基周期（1.5 Nc）。这一物理约束保证了每个样本中至少包含一个完整的三相电流波形周期。因此，故障特征的固有周期性和特定相位关系被捕获，而不是任意或截断的波形。

此外，为了保持严格的统计独立性并消除数据泄露的风险，实施了“分割后增强”协议。从独立仿真运行中生成的原始长时电流信号首先被划分为三个不重叠的子集：训练集、验证集和测试集，比例为7:2:1。如图4所示，然后分别对每个子集应用数据增强过程。例如，对于总长度为L1的训练段，通过随机选择起始点s∈[0,L1?l]来生成固定长度l的增强样本。这个随机切片过程重复N次以构建最终的增强训练集。关键的是，由于初始划分在任何数据增强之前进行，因此测试集中的样本来自与训练集和验证集完全不同的时间间隔。这种严格的分离确保了模型是在真正未见过的数据上进行评估的，从而提供了对其泛化能力的无偏评估，并防止了由于滑动窗口间的样本相关性导致的人为性能膨胀。

下载：下载高分辨率图像（319KB）
下载：下载全尺寸图像

图4. 数据增强中的随机切片采样策略示意图。

3.2. ECA模块

通道注意力机制通过自适应地重新校准通道级的特征响应，是一种已被证明可以提高深度神经网络性能的技术。虽然开创性的SENet模型验证了通道注意力的有效性，但它依赖于全连接层进行降维，这引入了相当大的计算开销。为了在不显著增加模型复杂性的情况下有效捕获跨通道依赖性，本研究引入了ECA模块。该模块的结构如图5所示。

下载：下载高分辨率图像（151KB）
下载：下载全尺寸图像

图5. ECA模块的实现工作流程。

具体来说，这一阶段的输入特征图定义如下：

(1) X∈RB×C×L
输入张量的维度B、C和L分别对应于批量大小、通道数量和序列长度。作为第一步，该模块使用全局平均池化（GAP）来聚合序列维度（L）上的信息。这个操作有效地将每个通道的特征压缩成一个代表性的值，得到通道描述符z，其定义如下：

(2) z∈RB×C×1

ECA模块的关键创新在于它没有使用SENet中的全连接层。相反，它使用核大小为k的快速1D卷积来直接建模描述符z上的通道依赖性，如下所示：

(3) z′=Conv1Dk(z)

这个操作有效地捕获了局部跨通道交互——一个通道与其k个最近邻居之间的关系——而无需进行降维。随后，将结果向量通过Sigmoid激活函数生成最终的通道注意力权重，如下所示：

(4) ω=σ(z′)∈RB×C×1

最后，在重新校准步骤中，学习到的注意力权重ω与原始输入特征图X进行逐元素相乘，生成精细的特征图X′，如下所示：

(5) X′=X?ω, X′∈RB×C×L

这里，符号?表示逐元素乘法，其中ω中的注意力权重沿着序列维度广播以匹配X的维度。通过这种机制，模型学会选择性地放大有信息量的特征通道，同时抑制不太有用的通道，从而优化了用于诊断任务的特征表示。

为了确保核大小k是自适应的，ECA模块根据通道维度C来确定其值。这种自适应映射定义如下：

(6) k=ψ(C)=odd(log2(C)γ+b

在这个映射中，γ和b是控制关系的超参数，通常分别设置为2和1。函数odd表示四舍五入到最接近的odd整数。这种机制允许根据通道维度动态调整核大小，显著增强了模型的特征表示能力，同时仅增加了可以忽略不计的计算开销。

3.3. 使用BiLSTM进行时间特征提取

在通道级特征重新校准之后，使用BiLSTM层来捕获特征序列中的长距离时间依赖性。与标准单向LSTM不同，BiLSTM在前后两个方向上处理序列，使其能够更全面地建模上下文信息。这种双向方法特别适用于分析工业时间序列数据，其中时间模式对于准确诊断至关重要。BiLSTM层的架构如图6所示。

下载：下载高分辨率图像（212KB）
下载：下载全尺寸图像

图6. BiLSTM层的架构。

首先，该模块的输入特征序列表示为X，定义如下：

(7) X∈RB×T×d

在这个公式中，B、T和d分别代表批量大小、时间步数和特征维度。然后，BiLSTM层通过分别使用前向LSTM和后向LSTM在两个方向上处理输入序列，如下详细说明：

(8) h→t=LSTM(xt, h→t?1), t=1,2,...,T
(9) h←t=LSTM(xt, h←t+1), t=T,T?1,...,1

在这些方程中，前向隐藏状态h→和后向隐藏状态h←都是RH中的向量，其中H表示每个单向LSTM中的隐藏单元数量。最终的双向输出ht是通过连接前向和后向隐藏状态得到的，如下所示：

(10) h→t=[h→t; h←t]∈R2H

因此，BiLSTM层的最终输出张量为：

(11) H∈RB×T×2H

在本研究的实验设置中，输入特征维度设置为d=128。每个LSTM的隐藏单元数量设置为H=64，导致连接的输出维度为2H=128。这个维度是有意选择的，以匹配前一个模块的维度，确保网络中的维度一致性。这种架构使模型能够有效地捕获整个序列中的长距离时间依赖性，为后续的注意力机制提供丰富的上下文表示。因此，BiLSTM的输出是一个高级特征序列，编码了前向和后向的时间依赖性。这个序列现在适合用于注意力机制来权衡不同时间步对最终诊断决策的重要性。

3.4. 时间注意力机制

BiLSTM层的输出是一个特征张量H∈RB×T×d，它封装了序列的双向时间信息。这里，B是批量大小，T是时间步数，d是隐藏特征维度（即d=2H）。然而，并非序列中的所有时间步都对最终诊断决策有相同的贡献。如果平等地权衡所有时间步，则可能会稀释最关键时间特征的影响。因此，引入了一种注意力机制，如图7所示。这种机制旨在自适应地为每个时间步学习一个权重，使模型能够选择性地关注和放大序列中最具有诊断相关性的特征。

下载：下载高分辨率图像（325KB）
下载：下载全尺寸图像

图7. 从BiLSTM输出到最终分类：通过时间注意力机制的特征聚合工作流程。

最初，BiLSTM层的输出张量H通过线性变换层进行投影，如下所示：

(12) et=Wht+b, et∈RB×T×1

在这个方程中，ht是时间步t的隐藏状态，而W和b分别是线性层的学习权重矩阵和偏置向量。接下来，对所有时间步的注意力得分setac应用softmax函数。这一步将得分规范化为概率分布，得到最终的注意力权重αt，如下所示：

(13) αt=exp(et)∑k=1Texp(ek), α∈RB×T×1

本质上，这些权重代表了模型为序列中每个时间步分配的重要性水平。从物理解释的角度来看，这种加权机制与T23L逆变器在开路故障期间通常观察到的时间特性一致。当发生故障时，相应的相位电流在特定相位间隔内表现出局部失真，而在其他时期相对稳定。在训练过程中，注意力模块倾向于为与这些失真模式相关的时间步分配相对较高的权重，因为它们包含用于分类的判别信息。这种行为增强了模型强调诊断信息性时间段的能力。

然后使用这种注意力分布来计算上下文向量，该向量是BiLSTM的所有时间步隐藏状态（ht）的加权和，如下所示：

(14) c=∑t=1Tαtht, c∈RB×d

因此，得到的上下文向量c代表了一个压缩的特征表示，其中来自关键时间步的特征被放大，而来自不太相关时间步的特征被抑制。在最后一步中，上下文向量c被输入到一个全连接（FC）层，然后通过softmax激活函数产生最终的故障类别概率分布：

(15) y=softmax(Wcc+bc), y∈RNclasses

在这个最终输出中，维度Nclasses代表故障类别的总数，包括健康状态。

总之，注意力机制通过为每个时间步分配可学习的权重，使模型能够选择性地关注最具判别性的时间特征。这反过来增强了最终特征表示的判别能力，从而提高了整体分类性能。

4. 实验结果与分析

本研究使用的数据集来自第2节中详细介绍的MATLAB/Simulink仿真模型。对于每个操作条件，三相电流信号以4 kHz的频率在1秒的时间内进行采样。提出的CEBANet模型是在Python 3.9环境中的PyTorch框架下实现的。所有训练和测试程序都在配备有AMD Ryzen 7 5800 8核CPU和NVIDIA GeForce RTX 3060 Ti GPU的工作站上进行的。

4.1. CEBANet的诊断性能

预处理后的数据集被用来训练提出的CEBANet模型。图8显示了训练损失曲线作为时代的函数。如图所示，损失值在初始时代急剧下降，随后平稳地收敛到一个低而稳定的值。这种以最小波动为特征的收敛曲线表明模型训练有效并且表现出良好的稳定性。

下载：下载高分辨率图像（110KB）
下载：下载全尺寸图像

图8. 提出的CEBANet模型的训练损失曲线。

训练好的CEBANet模型的性能在保留的测试集上进行了评估。为了提供全面的评估，使用了四个标准指标：准确性、精确度、召回率和F1分数。这些指标被选用来多方面评估模型的诊断能力。无噪声条件下的定量结果在表2中呈现。模型在所有四个指标上都取得了100%的完美分数，表明其在准确区分所有19种操作条件下的特征签名细微差异方面的卓越能力，展示了其卓越的诊断性能。

表2. 无噪声条件下的诊断性能。

准确性（%）精确度（%）召回率（%）F1分数（%）

100 100 100 100

为了进一步可视化分类性能，图9展示了测试集的混淆矩阵。矩阵显示了一个完美的对角线结果，其中每个类别的100个测试样本都被正确分类。没有任何非对角线条目证实了模型在无噪声测试数据上的完美性能，表明其对于每个类别都具有高精度和召回率。在实际诊断中，某些复合故障和单个故障的电流失真模式可能会表现出高度相似性，导致高度混淆。图9中不存在非对角线条目表明提出的CEBANet能够有效克服这种固有的混淆，并成功区分所有19个相似类别而不会发生误分类。

下载：下载高分辨率图像（192KB）
下载：下载全尺寸图像

图9. 提出的CEBANet模型在无噪声测试集上的混淆矩阵。

为了明确验证数据生成策略的鲁棒性，对滑动窗口长度（l）和采样频率（fs）进行了简短的敏感性分析，结果总结在表3中。不同窗口长度下的诊断准确性始终很高，表明所提出的架构对时间尺度的变化具有鲁棒性。长度l = 120是经验性地选择的，以确保在随机采样期间至少捕获到一个完整的相间故障瞬变。此外，即使降采样到fs = 2000 Hz，模型也保持高准确性。然而，本研究仍然采用了4000 Hz的采样频率（fs = 4000 Hz），因为这能够提供更高的信号分辨率，使1D-CNN主干网络能够捕捉到足够的初始瞬态特征，从而用于复杂复合故障的诊断。表3展示了模型对滑动窗口长度和采样频率敏感性的定量评估。

4.2. 相比性能与复杂性分析
为了系统地评估CEBANet的诊断能力，选择了ResNet1D、多尺度卷积神经网络（MSCNN）和多层感知器（MLP）作为基准模型。这些架构代表了不同的建模范式，从全连接结构到深度卷积网络不等，从而为在复杂操作条件下的性能比较提供了全面的基础。如图10所示，CEBANet在所有19种故障类别中都实现了100.00%的分类准确率。与基准模型相比，CEBANet表现出一致更高的准确性，表明其在多类故障模式识别方面具有更好的区分能力。

4.3. 噪声免疫性分析
为了评估模型在信号常受噪声干扰的现实场景中的性能，本研究通过在干净的故障信号中添加加性高斯白噪声（AWGN）来模拟此类环境。这种注入噪声的水平通过信噪比（SNR）进行定量控制和测量，其定义如下：
(16) SNR = 10 × log(P_signal / P_noise)
其中P_signal和P_noise分别代表干净信号和加性噪声的功率。较低的SNR值表示较高的噪声干扰程度。为了创建用于测试的含噪声数据集，在第3.1节描述的增强信号中添加了噪声，以实现四个不同的SNR水平：25 dB、20 dB、15 dB和10 dB。如图11所示，信号波形受到噪声的显著干扰。在较低的SNR水平（例如15 dB和10 dB）下，这种失真尤为严重，对有效特征提取构成了相当大的挑战。

4.4. 消融研究和在不同噪声环境下的参数评估
为了严格评估每个组件的结构必要性，并减轻在干净数据集上通常观察到的性能饱和现象，在不同水平的加性高斯白噪声（σ范围从0到2.0）下进行了系统的消融研究。所有模型变体的验证准确率和参数规模总结在表5中。

4.5. 特征可视化和分析
为了直观评估所提出模型在其学习到的特征空间中的分类能力，本研究采用了t分布随机邻居嵌入（t-SNE）算法来可视化从网络不同阶段提取的高维特征。t-SNE是一种非线性降维技术，它将高维特征向量映射到低维空间（通常是2D或3D）。它特别擅长通过保持原始空间中的局部邻域关系来揭示数据结构。通过应用t-SNE，可以直观检查对应于不同故障类别的特征的可分性。

结论与未来工作
本文提出了CEBANet，这是一种深度学习模型，它结合了1D-CNN主干网络、ECA模块、BiLSTM网络和时间注意力机制，用于T23L逆变器的开路（OC）故障诊断。通过自动化时空特征提取过程，该框架减少了对手动特征工程的依赖。实验评估表明，该模型能够区分19种操作条件，并在不同噪声水平下保持稳定的诊断性能。尽管取得了这些结果，当前的评估主要依赖于标准化条件下的模拟数据。因此，我们未来的工作将集中在硬件数据验证和算法泛化上。我们计划使用从实际硬件平台获得的数据集来验证模型。这些真实世界的数据将有助于客观评估模型在复杂非高斯噪声和切换噪声下的性能，以及其在不同电机速度和负载扭矩下的泛化能力。此外，我们打算探索开放集识别技术来处理初期故障和以前未见过的条件。