基于IMU的BLDC电机时域故障诊断:采用端到端的一维卷积神经网络(1D-CNN) 王珂浩(Ke Hao Wang) 李辉圭(Hwi Gyu Lee) 柳善敏(Seon Min Yoo) 李仁洙(In Soo Lee)

《Modelling》:IMU-Based Time-Domain Fault Diagnosis of BLDC Motors Using an End-to-End 1D-CNN Ke Hao Wang, Hwi Gyu Lee, Seon Min Yoo and In Soo Lee

【字体: 大 中 小 】 时间:2026年05月03日 来源:Modelling 1.5

编辑推荐:

  摘要:由于环境复杂性和设备成本高昂,无刷直流电机中的可靠故障检测具有挑战性。为了解决这些挑战,我们提出了一种高效且经济可行的方法,该方法使用优化的端到端一维卷积神经网络。具体来说,我们开发了一个真实的实验平台,用于模拟轴承故障和偏心故障。统计t检验表明,来自低成本惯性测量单元的三

  摘要:由于环境复杂性和设备成本高昂,无刷直流电机中的可靠故障检测具有挑战性。为了解决这些挑战,我们提出了一种高效且经济可行的方法,该方法使用优化的端到端一维卷积神经网络。具体来说,我们开发了一个真实的实验平台,用于模拟轴承故障和偏心故障。统计t检验表明,来自低成本惯性测量单元的三轴加速度信号为当前的诊断任务提供了足够的故障信息。与支持向量机、多层神经网络和随机森林等传统方法不同,这些方法依赖于手动特征提取,我们的模型可以直接从原始波形中学习,并能处理信号漂移。在当前受控的实验设置和留一天的评估协议下,该模型的平均窗口级分类准确率达到了100.00%,远优于传统方法(在环境变化下,传统方法的准确率下降到67.95–71.37%)。此外,该方法的推理时间仅为0.96毫秒,比随机森林快32倍,非常适合实时嵌入式监控。所提出的方法在当前实验设置下显示出强大的成本效益和故障诊断能力。

1. 引言
无刷直流(BLDC)电机因其高功率密度、高效性和低维护要求而在工业自动化、航空航天和电动汽车领域得到广泛应用[1,2]。尽管这些电机通常很可靠,但在恶劣环境中的长期运行不可避免地会导致组件老化和磨损。研究表明,轴承故障和转子偏心占所有已知电机故障类型的50%以上[3,4]。如果这些故障未能及时检测到,它们可能会恶化并导致严重的系统损坏甚至完全停机,从而造成重大经济损失。因此,开发智能电机故障诊断系统至关重要。
传统上,振动分析是电机状态监测的主要方法。常用技术包括快速傅里叶变换[5]、小波变换(WT)[6]和经验模态分解[7]。这些方法通常在进行故障诊断之前提取频域特征。然而,这些方法高度依赖于专家知识,并需要手动特征设计和提取。此外,检测由故障引起的高频振动信号需要相当高的采样率,通常超过10 kHz,以满足奈奎斯特-香农定理以捕捉故障谐波[8]。尽管传感器的价格已经降低,但获取、处理和传输这些高频数据对通信带宽、存储容量和计算资源提出了巨大要求。这显著增加了系统的复杂性和成本,限制了这些方法在低功耗、资源受限的监控系统中的实用性。
近年来,深度学习通过自动学习相关特征大大推进了故障诊断。特别是卷积神经网络(CNN)在诊断性能方面表现出色[9,10]。最近发表在高影响力国际期刊上的研究进一步推进了智能故障诊断技术。这些研究可以大致分为两类:
首先,轻量级一维深度学习模型因其效率和实时应用的适用性而受到广泛关注。这些方法直接处理原始时间序列信号,并在保持准确性的同时显著减少了模型大小。例如,Tao等人[11]开发了一种轻量级一维CNN(1D-CNN),在保持诊断性能的同时大大减少了网络参数的数量,类似的方法也在[12,13]中进行了探索。
其次,基于时频表示的方法被广泛研究,其中原始振动信号被转换为二维表示,如短时傅里叶变换频谱图或小波标度图,然后使用二维CNN进行处理[14,15]。尽管这些方法具有高诊断精度,但它们通常涉及复杂的预处理步骤,并且计算和内存成本较高,限制了它们在实时嵌入式系统中的应用。
尽管现有方法表现良好,但在实际工业应用中仍存在重大挑战。特别是,一些研究假设训练数据和测试数据遵循相同的分布(即独立同分布假设)[16]。然而,在实践中,诸如传感器重新安装错误、环境温度变化和机械结构逐渐松动等因素会导致振动信号随时间产生基线漂移[17]。这种现象称为域偏移,可能导致在历史数据上表现良好的模型在应用于未见过的条件下出现显著的准确性下降[18,19]。此外,一些现有方法依赖于高保真度和高成本的传感器,这限制了它们在实际工业场景中的可扩展性。最近的研究进一步将智能电机故障诊断的应用范围从传统的单一条件分类扩展到涉及多传感器融合、域偏移和复杂驱动系统的实际场景。例如,最近的代表性研究强调了故障诊断和容错操作在先进电机驱动系统中的关键挑战[20]。同时,已经探索了集成互补信号源的多传感器融合方法来提高诊断性能[21]。此外,还提出了域鲁棒和域自适应诊断方法来解决训练和测试条件之间的分布不匹配导致的性能下降[22]。这些研究为当前研究提供了重要的额外背景。
与依赖丰富传感配置的多传感器融合框架相比,本研究专注于基于低成本惯性测量单元(IMU)的设置,并探讨是否仅使用三轴加速度信号即可实现可靠的故障诊断。此外,本研究没有引入显式的域适应模块,而是通过严格的跨日留一天(LODO)协议来评估鲁棒性,该协议直接决定了在基线漂移的实际条件下的学习表示的稳定性。
迫切需要新的特征提取策略,以进一步提高在资源受限的工业边缘设备上部署深度学习模型的可行性,并增强对环境基线漂移的鲁棒性。本研究重点关注广泛可用、低成本的基于微机电系统的IMU传感器,强调波形形态,而不是传统的频谱峰值[23,24,25]。具体来说,本研究采用端到端宽卷积核1D-CNN模型直接从IMU加速度信号中提取鲁棒特征。本研究的主要贡献如下:

实验平台和验证协议:开发了一个针对BLDC电机的定制测试平台,并使用LODO跨日验证方法来模拟工业环境中常见的传感器基线漂移。
传感器优化:统计t检验分析[26]表明,陀螺仪数据是多余的。仅使用三轴加速度信号就足以进行故障检测,从而降低了硬件成本。
对环境变化的鲁棒性:实验表明,所提出的宽卷积核1D-CNN能够有效从原始信号中学习波形特征,实现了100%的准确率。相比之下,由于特征漂移,传统支持向量机(SVM)和多层神经网络(MLNN)模型的性能显著下降[27]。
额外的跨速度验证:进行了额外的跨速度验证,以检查所提出方法在可变旋转速度条件下的鲁棒性。

2. 实验系统描述
2.1. 机电测试平台设置
实验数据是使用定制的电机故障模拟装置收集的。图1显示,系统包括一个PG42-BL4261 BLDC电机(中国常州Twirl Motor;24 V,1/61减速比)作为目标机器。
控制:Arduino微控制器生成脉宽调制信号以保持恒定的1200 RPM旋转速度。
负载:目标电机通过刚性联轴器与次级永磁电机连接,以提供一致的机械负载。
数据采集:一个低成本的六轴IMU(MPU-605)安装在靠近输出轴的电机外壳上。Raspberry Pi通过I2C接口以126 Hz的采样率收集振动数据。

2.2. 故障注入方法
为了构建可靠的数据集,人为生成了三种电机状态,如图2所示。
图2. 轴承条件:(a) 轴承故障和 (b) 偏心故障。
正常状态:电机在所有组件正确对齐且无故障的情况下运行。
轴承故障:向轴承润滑剂中添加铁粉以模拟污染引起的轴承退化。粉末破坏了润滑油膜,从而增加了表面粗糙度并引起异常振动。这种设置用于模拟污染引起的轴承退化,而不是精确复制所有自然发生的轴承故障。
偏心故障(EF):在轴承外壳和电机轴之间插入一个垫片,使轴的旋转中心偏离其原始几何中心。这种不对齐会导致动态偏心,从而引起显著的低频振动调制。本研究中考虑的垫片厚度为0.5毫米。这种配置旨在模拟在受控实验条件下由几何偏移或不对齐引起的可重复的偏心旋转条件。
值得注意的是,本研究中考虑的故障条件对应于在实验室测试平台上建立的受控和可检测的故障状态。尽管这些设置反映了物理意义上的退化机制,但它们未能涵盖自然发生故障的全部严重程度,特别是那些特征较弱的初始故障。因此,评估故障严重程度和早期故障诊断是未来工作的重要方向。

3. 提出的故障诊断框架
本节介绍了本研究中提出的高效可靠的BLDC电机故障诊断系统。整个过程如图3所示。该框架包括三个主要阶段,即传感器优化、数据处理的模型开发。第一阶段是传感器优化(第3.1节)。具体来说,应用t检验来识别六轴IMU数据中最有信息量的信号。这个过程通过选择最相关的信号并将原始六个通道减少到三个通道,从而降低了系统复杂性和数据传输要求。第二阶段是数据处理(第3.3节)。具体来说,采用滑动窗口方法将连续振动信号分割成单独的样本。随后,应用严格的Z分数标准化程序来标准化数据,同时防止训练集和测试集之间的信息泄露。最后阶段涉及模型开发。

3.1. 传感器选择策略
初始数据收集包括六个通道,由三轴加速度计和三轴陀螺仪组成。为了提高计算效率,进行了独立的两个样本t检验来评估每个通道的区分能力。此外,图4展示了特征敏感性的视觉排名,表明陀螺仪特征对于静态故障分类通常具有较低的统计显著性,即它们提供的区分信息有限。相比之下,加速度计信号在不同故障条件下的区分能力较强。图4. 使用独立t检验的敏感性分析。表1列出了代表性特征的详细统计指标,进一步量化了这一观察结果。该表中的数据显示,Z轴陀螺仪产生的p值为0.9094,表明没有有意义的故障相关模式;因此,获得的有用诊断信息有限。表1. 不同传感器通道的代表性特征的统计t检验结果。重要的是,和展示了最主导的故障特征,T统计量大于13;此外,还显示了明显的统计显著性。尽管在图4中不太明显,但诸如峰度()等重要指标仍然远低于0.01的显著性阈值。这些结果表明,Y轴包含有意义的故障相关信息,并有助于保持振动数据的空间特征。因此,保留了所有三个加速度计通道(,和),并移除了多余的陀螺仪通道以减少输入维度。
尽管统计t检验是一种有效的初步筛选方法,但仅依赖线性统计度量可能会忽略数据中的复杂非线性关系。因此,在本研究中,t检验被用作可解释的初步传感器筛选工具,而不是最终传感器选择的唯一依据。为了进一步验证传感器选择,使用1D-CNN模型进行了全面的消融研究,以比较六轴和三轴输入的性能。第4.4节中呈现的结果进一步支持在当前数据集和协议下使用三轴加速度计配置。这些发现支持了仅使用三轴加速度计信号作为所提出故障诊断框架输入的决策。3.2. 特征工程和基线模型设置本研究考虑使用SVM、MLNN和RF作为比较基线模型,以客观评估所提出的1D-CNN模型的性能。与直接处理原始波形信号的1D-CNN不同,这些传统的机器学习模型需要手动特征提取才能有效运行。将原始的高维时间序列数据直接输入到浅层模型中通常会导致维度灾难和模型收敛不良。为了确保公平和有意义的比较,对深度学习模型和传统机器学习模型采用了不同的输入策略。提出的1D-CNN:所提出的1D-CNN使用从三个加速度计通道获得的原始时域波形进行训练。这种设计允许深度学习模型自动学习移位不变的特征,这些特征可能比手工制作的指标更具信息量。基线模型(SVM、RF和MLNN):这些模型使用从相同的三个加速度计通道导出的15维统计特征向量进行训练,这与第3.1节讨论的传感器优化结果一致。具体来说,对于每个包含1024个信号样本的滑动窗口,每个通道计算五个统计指标,总共得到15个特征(3个通道×5个指标)。这些特征包括振动分析中常用的时域和频域特征,如均方根(RMS)、峰值和峰度。这些特征的数学定义在表2中总结。这种设计确保任何观察到的性能差异主要归因于模型架构,而不是输入数据的一致性。表2. 提取的统计和频谱特征的数学定义。使用这些特征向量实现了三个基线分类器进行比较。SVM配置了径向基函数核以捕获非线性决策边界。此外,还构建了一个全连接架构的MLNN,使用15维手工制作的特征向量作为输入。另外,由于RF对噪声的鲁棒性和通过集成投票机制处理高维特征空间的能力,实现了一个由100棵决策树组成的RF分类器[28]。通过连接从所有三个传感器通道提取的统计和频谱指标,为每个时间窗口构建了一个15维特征向量。这些向量作为基线模型(即SVM、MLNN和RF)的输入特征,从而能够系统地评估传统特征工程方法与所提出的端到端深度学习方法。3.3. 数据处理和提出的1D-CNN架构所提出的故障诊断框架结合了严格的数据预处理和优化的深度学习模型。每种运行条件每天记录60秒,总共得到九个独立的振动记录(3天×3类),总持续时间为540秒。126 Hz的采样频率确保每个记录包含7560个采样点。在本研究中,三个采集日(D1、D2和D3)在LODO评估协议中被视为独立域。首先,使用滑动窗口方法对连续时间序列数据进行分割,窗口长度为1024个采样点。因此,每个段大约对应8.13秒。在1200 RPM(20 Hz)的电机运行速度下,这个时间窗口捕获了大约325次完整的机械旋转。这个持续时间提供了足够的时间背景,以保留可能无法被短窗口捕获的低频周期性故障特征。从每个记录生成的段数表示为(1),其中是采样点数,是窗口长度,是步长。使用256个采样点的步长,导致相邻段之间有75%的重叠。因此,每个60秒的记录产生了26个重叠段,总共获得了234个段,这些段在三个故障类别之间分布均匀,每个类别对应78个段。数据采集条件和窗口分割设置总结在表3中。表3. LODO协议下的数据集组成和窗口分布。尽管重叠分割增加了同一记录中相邻窗口之间的局部相似性,但在LODO协议下,测试日的任何窗口都没有被包含在训练集中。因此,当前的窗口策略没有引入直接的训练-测试泄漏。随后,对所有段应用了Z分数归一化。均值和标准差仅从训练数据中计算,以严格防止在未见目标域上进行推理时的信息泄漏。预处理后,归一化的段被输入到所提出的端到端1D-CNN中,如图5所示。该网络设计用于直接处理1024 × 3的原始时域波形,无需手动特征工程。架构首先包含一个输入层,用于接受多变量时间序列信号,然后是三个堆叠的卷积块,分别包含32、64和128个滤波器。每个卷积层使用了相对较大的核大小九,以有效捕获在中等采样率下收集的振动信号的形态特征。神经网络的详细超参数和结构配置列在表4中。图5. 提出的三轴优化1D-CNN的架构。箭头表示数据的前向流动,颜色仅用于区分不同的网络组件。表4. 提出的1D-CNN的详细参数。核心特征提取过程通过一维卷积操作实现。数学上,第层中第个滤波器的输出表示为,通过将输入特征图与可学习的核+相卷积并加上偏置得到:(2)其中表示输入通道的数量,表示核的大小。为了减轻内部协变量偏移并加速训练收敛,在每个卷积层之后立即应用批量归一化(BN)[29]。随后,使用修正线性单元激活函数将非线性引入模型。与依赖于全连接层的传统CNN架构不同,所提出的网络使用全局平均池化(GAP)[30]将最终特征图压缩成一个紧凑的特征向量。这种设计大大减少了可训练参数的数量,同时保留了重要的全局信息。最后,使用softmax分类器预测电机健康状态,该状态分为正常、轴承故障或偏心故障。CNN架构的详细配置总结在表4中。4. 实验结果和讨论 4.1. 信号分析图6展示了三个实验天内记录的原始时域信号。EF在径向方向上产生了明显的振动幅度增加,而轴承故障产生了明显的脉冲模式。尽管在不同天数之间可以观察到轻微的基线漂移,但主要的故障特征仍然可以清晰区分。图6. 不同健康状态和实验天数下AccX通道的原始时域振动信号:(a) D1,(b) D2,(c) D3。在每一行中,信号对应于正常、轴承故障和偏心故障条件。接下来,采用了LODO交叉验证协议来严格评估所提出模型在非平稳环境条件下的泛化能力[17,26]。图7显示数据集由三个独立的数据收集会话(D1、D2和D3)组成。每个会话代表一个不同的域,在该域中重新安装了传感器并且环境条件发生了变化。这种三折评估设计为评估模型学习移位不变特征的能力提供了统计上有意义的框架。此外,这种设计确保诊断结果取决于内在的物理故障特性,而不是环境噪声或传感器基线变化。图7. 实验协议图。4.2. 模型训练和收敛所提出的1D-CNN模型使用Adam优化器[31]进行训练。图8展示了三个验证折叠中的训练动态。模型结果显示出快速收敛,训练损失在大约15个周期后稳定。表示训练和验证准确性的曲线之间的紧密对齐表明了稳定的学习行为。这一观察表明,使用BN和GAP有效地减轻了过拟合,同时保持了强大的泛化能力。图8. 1D-CNN的训练和验证曲线:(a) 第1折叠损失曲线,(b) 第1折叠准确性曲线,(c) 第2折叠损失曲线,(d) 第2折叠准确性曲线,(e) 第3折叠损失曲线,(f) 第3折叠准确性曲线。4.3. 诊断性能随后,实施了三折LODO交叉验证策略,以严格评估模型在日常运行变化下的鲁棒性。在此协议中,使用两个实验天的数据进行了训练,而剩余的一天专门用于每个折叠的测试。这种评估策略确保在模型训练期间没有涉及测试天的时间信息,因此有助于真实评估模型对未见日常运行条件的泛化能力。值得注意的是,由于LODO协议在采集日级别而不是窗口级别分离数据,因此使用重叠窗口没有导致训练-测试泄漏。详细的结果以及所有三个折叠的总体平均窗口级性能总结在表5中。表5. 每个验证折叠的详细准确性比较。为了确保有效的比较,图9展示了所有模型的平均诊断准确性。为了进一步分析在非平稳条件下的分类性能,图10展示了三个验证折叠的标准化混淆矩阵。图9. 四个模型的平均诊断准确性比较。图10. 对应于每个实验折叠的提出的1D-CNN的标准化混淆矩阵:(a) 第1折叠(在D3上测试),(b) 第2折叠(在D2上测试),(c) 第3折叠(在D1上测试)。图10显示所提出的1D-CNN在所有折叠中实现了高度一致的分类性能。在第2和第3折叠中,诊断准确性达到了100%,表明当训练数据充分捕获了主要分布变化时,类别分离性很强。为了进一步说明学习到的特征表示的可分离性,使用t分布随机邻居嵌入(SNE)技术将GAP层提取的高维特征投影到2D空间中,如图11所示。这种可视化表明,即使在未见测试域(D3)下,来自三种健康条件的样本也形成了紧凑且清晰分离的簇,重叠最小。这一观察表明,所提出的模型学习到的特征表示在当前的跨日评估设置下保持稳定,与基线模型相比,该模型的性能很强。图11. LODO交叉验证下学习到的特征表示的t-SNE可视化:(a) 第1折叠(在D3上测试),(b) 第2折叠(在D2上测试),(c) 第3折叠(在D1上测试)。4.4. 消融研究和讨论实验结果揭示了在非平稳运行条件下评估模型之间的鲁棒性存在明显差异。MLNN的性能严重下降,在第2折叠中的准确率降低到33.33%。这种显著下降突显了手工制作的统计特征(如RMS、峰度和峰值)对由重新安装或日常环境变化引起的传感器基线漂移的敏感性。即使在不同天数之间信号偏移或幅度缩放有轻微变化,也会大大降低这些刚性、依赖于域的特征的有效性。相比之下,RF模型的平均准确率为67.95%,优于SVM和MLNN。RF的集成学习机制减少了方差并提高了跨折叠的鲁棒性。然而,当遇到具有挑战性的域变化时,模型仍然表现出明显的局限性。例如,在第1折叠中,准确率下降到56.41%,表明基于特征的浅层模型仍然容易受到信号分布变化的影响。所提出的端到端1D-CNN表现出显著更好的性能和鲁棒性。通过直接从原始时域波形学习移位不变的特征模式,该模型避免了与手工制作的统计或频域特征相关的限制。这种能力使网络能够在环境条件和传感器基线在数据收集会话中变化时保持稳定的性能。进行了有针对性的消融研究,以进一步验证第3.1节中描述的传感器选择策略。分析在相同的LODO交叉验证协议下比较了两种输入配置:一种是仅使用加速度计信号的三轴配置,另一种是结合了加速度计和陀螺仪信号的六轴配置。关键结果总结在表6中。与t检验分析得出的统计结果一致,六轴配置中加入陀螺仪信号引入了额外的变化,在域偏移条件下未能提供有意义的诊断信息。这种效应在最具挑战性的验证场景“Fold 1”中尤为明显,其中15.4%的正常样本被错误地分类为偏心故障。因此,六轴模型在这个场景中的最佳准确率为94.87%。相比之下,三轴配置消除了这些冗余且可能产生噪声的输入,在所有场景中都实现了完美的分类性能。模型的准确率保持在100.00%,并且在整个验证实验中没有任何方差。此外,将输入通道的数量从六个减少到三个提高了计算效率。而且,在实验平台上,推理延迟从1.28毫秒降低到了0.96毫秒。这些结果证实,降低传感器维度可以同时提高模型的鲁棒性和计算效率。因此,三轴加速度计配置在诊断准确性和资源效率之间提供了最佳平衡,特别适合部署在资源受限的物联网设备上的实时工业监控系统。

表6. 不同传感器配置的消融研究和性能比较。值得注意的是,本研究中考虑的故障状态是在实验室测试床上建立的受控且可检测的故障状态。尽管这些设置反映了物理意义上的退化机制,但它们并没有涵盖自然演变故障的全部严重程度,特别是那些特征非常微弱的初始故障。因此,评估故障严重程度和早期故障诊断将是未来工作的重要方向。

为了详细解释六轴结果,图12还展示了“Fold 1”中六轴配置的标准化混淆矩阵。退化主要表现为正常样本和偏心故障类别之间的混淆增加,表明额外的陀螺仪通道虽然增加了变异性,但在跨天条件下并没有改善类别的可分性。

图12. 在LODO交叉验证下六轴1D-CNN配置的标准化混淆矩阵:(a) Fold 1(测试D3),(b) Fold 2(测试D2),以及(c) Fold 3(测试D1)。图13展示了六轴配置的特征空间可视化结果。

图13. 在LODO交叉验证下六轴1D-CNN配置的学习到的特征表示的t-SNE可视化:(a) Fold 1(在D3上进行测试),(b) Fold 2(在D2上进行测试),以及(c) Fold 3(在D1上进行测试)。值得注意的是,这个结果并不意味着陀螺仪信号在所有涉及电机故障诊断的场景中都是不必要的。相反,在当前的数据集和LODO协议下,额外的陀螺仪通道未能提供足够的区分信息来提高鲁棒性,并且引入了额外的变异性。

4.5. 额外的跨速度验证

为了应对原始实验平台主要在1200 RPM的单一运行速度下进行评估的担忧,进行了额外的跨速度实验。在这项研究中,考虑了两种互补的评估设置。首先,是严格的单速度训练设置,其中模型仅使用在1200 RPM下收集的数据进行训练,然后在不同速度条件下进行测试。其次,引入了混合速度训练设置,其中在1100、1200和1300 RPM下收集的数据被联合用于训练,随后在每个目标速度的保留子集上进行评估。表7列出了在严格单速度训练设置下获得的结果。当模型仅在1200 RPM下训练并在1100 RPM下测试时,得到的折叠准确率分别为66.67%、100.00%和92.31%,平均准确率为86.32%。当在1300 RPM下测试时,得到的折叠准确率分别为66.67%、66.67%和66.67%,平均准确率为66.67%。这些结果表明,即使在单速度条件下训练,所提出的模型也保持了一定的跨速度故障区分能力。然而,泛化性能并不总是令人满意,特别是在1200和1300 RPM的情况下,这表明狭窄的训练速度分布限制了鲁棒性。

表7. 单速度训练下的跨速度诊断结果。采用了一种额外的混合速度训练策略,以进一步调查上述限制主要是由有限的训练速度条件引起的,还是由模型结构引起的。在这种设置中,训练数据包括了在1100、1200和1300 RPM下获得的数据;然而,在每个折叠中,来自目标速度条件的特定保留测试组被排除在训练之外,仅用于测试。因此,尽管训练数据涵盖了多个运行速度,但在每个折叠中特定的保留测试组在训练期间被排除在外。相应的结果列在表8中。在这种配置下,模型使用保留的1100、1200和1300 RPM子集分别获得了100.00%、100.00%和99.57%的平均准确率。这些结果表明,当训练数据覆盖多个相邻的运行速度时,所提出的框架可以学习到高度稳健的故障相关表示,并在不同速度条件下保持高度一致的性能。

表8. 在每种速度下进行保留测试的混合速度训练下的诊断结果。总体而言,比较表7和表8中的数据揭示了一个明显的趋势。在严格单速度训练场景下,模型仅表现出部分跨速度泛化能力。相比之下,当训练集中包含速度多样性时,诊断性能在所有保留的速度条件下都接近完美。这种比较表明,所提出的框架从多速度训练中显著受益,而且训练速度的多样性对于在可变运行速度下实现稳健的故障诊断至关重要。

5. 结论

本研究提出了一个针对无刷直流电机的稳健且成本效益高的故障诊断框架,旨在应对非静态环境条件和硬件成本限制。具体来说,开发了一个具有真实故障注入的定制实验测试平台,包括磨损轴承和动态偏心,以评估所提出的方法。该框架使用LODO交叉验证协议进行了严格评估,从而模拟了不同运行日之间的真实世界传感器基线漂移。实验分析得出了几个重要发现。首先,特征分析确认了来自低成本IMU的三轴加速度计信号包含了足够的区分信息,可以可靠地识别故障。独立的t检验分析表明,在当前的数据集和协议下,陀螺仪数据提供的额外诊断价值有限。相比之下,三轴加速度计配置足以可靠地识别故障。这种传感器优化降低了计算复杂性和硬件成本,同时保持了高诊断准确性。其次,所提出的端到端1D-CNN在当前的受控数据集和LODO协议下,相对于传统机器学习模型,展示了显著改进的泛化和鲁棒性。1D-CNN在三个验证折叠中的平均窗口级分类准确率为100.00%。该模型成功地直接从原始时域波形中学习了不变的形态特征。相比之下,依赖于手工制作的统计特征的传统模型(包括MLNN和SVM)在信号分布随时间变化时性能大幅下降。这些结果突显了静态特征工程在动态工业环境中的局限性。此外,所提出的框架展示了强大的计算效率。1D-CNN的推理延迟仅为每个样本0.96毫秒,相对于RF基线(0.96毫秒对比30.7毫秒)提高了32倍。这种效率水平表明,所提出的方法非常适合在资源受限的嵌入式系统和边缘计算设备上进行实时部署。

总之,这项研究表明,通过时域信号分析与深度学习的结合,可以在不需要复杂的频域变换的情况下实现高性能故障诊断。所提出的方法支持快速故障检测和实时决策制定,同时保持低计算复杂性和高诊断准确性。未来的工作将进一步将这种评估扩展到其他运行条件变化,包括负载水平波动、供应变化和安装条件变化。此外,还将研究轻量级模型优化技术,如量化和剪枝[32],以进一步提高使用低功耗微控制器的先进边缘人工智能应用的部署效率。尽管本研究在相同的LODO协议下将所提出的框架与代表性的传统机器学习基线进行了比较,但纳入强大的基于深度学习的基线和显式的域适应模型仍然是未来工作的重要方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号