《Information》：Fault Classification Method for Rotating Machinery Based on Hybrid Model of CWT and CNN-DOA-LSSVM
编辑推荐：
旋转机械故障诊断的传统信号处理方法高度依赖人工经验，而深度学习模型在复杂工况下常面临分类边界不稳定及泛化性能不足的问题。为应对这些挑战，本研究提出了一种基于连续小波变换（Continuous Wavelet Transform, CWT）与CNN-DOA-LS
旋转机械故障诊断的传统信号处理方法高度依赖人工经验，而深度学习模型在复杂工况下常面临分类边界不稳定及泛化性能不足的问题。为应对这些挑战，本研究提出了一种基于连续小波变换（Continuous Wavelet Transform, CWT）与CNN-DOA-LSSVM混合模型的故障诊断方法。首先，采用CWT将一维振动信号转换为高分辨率时频图，以充分凸显故障的瞬态冲击特征；其次，利用卷积神经网络（Convolutional Neural Network, CNN）自动提取深层判别特征，规避繁琐的人工特征工程过程；再次，以最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）替代传统CNN中的Softmax分类层，以克服Softmax分类器在非线性分类中的不足；最后，借助梦境优化算法（Dream Optimization Algorithm, DOA）的探索与开发两阶段分离机制，及其特有的遗忘补充与梦境共享策略，实现LSSVM关键参数的自适应优化配置。在东南大学齿轮数据集与华中科技大学轴承数据集上的验证结果表明，该方法分别取得了99.59%和99.50%的平均分类准确率，在分类精度与稳定性方面均表现出良好性能。
## 一、研究背景与问题提出
旋转机械作为工业生产的核心设备，主要包括齿轮箱、轴承及转子系统等关键部件。这些部件在长期高负荷及变工况运行下，不可避免地会产生磨损、裂纹、断齿及点蚀等故障。若不能及时发现，此类故障可能引发连锁性设备事故，导致生产中断甚至安全事故。因此，状态监测与智能故障诊断已成为保障设备安全运行的重要手段。
传统诊断方法高度依赖专家经验与人工特征提取，不仅效率低下，且对专业人员要求极高。随着智能制造的推进，数据驱动的智能诊断方法逐渐成为研究焦点，能够自动从海量监测数据中提取故障特征，实现设备健康状态的准确识别与预测。然而，现有方法仍存在显著局限：传统时域或频域分析方法难以揭示复杂工况下故障信号的非平稳（nonstationary）与非线性特征，在多故障耦合或强噪声干扰场景中性能显著下降；标准卷积神经网络虽具备强大的自动特征提取能力，但其采用的Softmax分类器基于交叉熵损失函数驱动，在小样本、类别不平衡或强噪声条件下易出现决策边界偏移与泛化性能退化，且Softmax本质为线性分类器，其决策边界通过非凸优化形成，最终收敛受随机因素影响，边界稳定性难以保证；此外，LSSVM虽能有效处理非线性分类边界，但其分类性能高度依赖于惩罚因子（c）与核参数（g）的合理选取，传统人工调参或网格搜索方法效率低下且难以获得全局最优解。
基于此，研究人员提出了一种融合CWT、CNN、DOA与LSSVM的混合故障诊断方法，旨在解决传统特征提取过度依赖人工经验及单一深度学习模型在复杂条件下泛化性能差的问题。该研究具有两方面核心优势：一是利用CWT将时域振动信号映射至时频域，并通过CNN自动学习深层故障特征；二是以LSSVM替代传统Softmax分类层，并引入DOA全局自适应优化LSSVM的惩罚因子与核参数，实现最优非线性决策边界。该论文发表于《Information》期刊。
## 二、关键技术方法
本研究采用的主要技术方法包括：连续小波变换（CWT）用于时频特征表征，卷积神经网络（CNN）用于深层特征自动提取，最小二乘支持向量机（LSSVM）作为非线性分类器替代Softmax层，梦境优化算法（DOA）用于全局优化LSSVM的两个关键参数（惩罚因子c和核参数g）。实验验证采用两个公开数据集：东南大学齿轮数据集（采样频率5120 Hz，包含20 Hz/0V和30 Hz/2V两种工况）以及华中科技大学轴承数据集（采样频率25.6 kHz，涵盖九种故障类别）。
## 三、研究结果
### 3.1 东南大学数据集实验结果
该数据集包含健康、齿 chipped、齿缺失、齿根故障及齿面故障五种状态类别。经数据预处理后，每类提取300个样本，共1500个样本，按70:30分为训练集与测试集。CWT时频图经统一缩放为64×64像素后输入CNN。
混淆矩阵对比显示，所提方法（CWT-CNN-DOA-LSSVM）整体准确率达99.78%，而CWT-CNN基线方法为98.22%。两者在前四类上均实现完全正确分类，差异主要体现在第五类：所提方法仅误分1个样本，而CNN误分6个样本至第三类。这表明Softmax层对相邻类别特征分离能力不足，而DOA-LSSVM通过核函数非线性映射与全局参数优化，构建了更鲁棒的决策边界。
T-SNE（t-distributed Stochastic Neighbor Embedding）特征可视化结果表明：原始输入层特征中五类样本严重重叠，仅蓝、紫色样本略有分离趋势；经CNN深度映射后，五类样本重构为紧凑独立的簇群，边界清晰，验证了CNN对局部故障冲击模式的有效提取能力。
雷达图对比五种方法的综合性能显示，所提方法在所有故障类别上均接近满分，表现最为均衡。STFT-CNN-DOA-LSSVM在健康与齿 chipped类别表现良好，但在齿根裂纹与齿面磨损故障上显著退化；CWT-CNN在断齿故障上表现突出，但其余类别呈阶梯式下降，泛化性不足；STFT-CNN与GAF-CNN-DOA-LSSVM整体水平较低。
稳定性验证方面，五次重复实验的误差棒图显示，所提方法平均准确率99.59%且标准差最小，兼具最高精度与最佳稳定性。CWT-CNN为98.48%；STFT-CNN-DOA-LSSVM为98.20%，受限于STFT固定时频分辨率对瞬态特征捕捉的不足；GAF-CNN-DOA-LSSVM仅94.53%，误差棒较大，表明角域信息编码不适于该任务。
### 3.2 华中科技大学数据集实验结果
该数据集涵盖九种故障类别，每类300个样本，共计2700个样本。混淆矩阵显示，所提方法准确率99.50%，仅4个误分样本，混淆矩阵近乎理想对角阵；CWT-CNN为98.77%，Softmax层产生10个误分样本，再次证实DOA-LSSVM对深层非线性特征的有效处理能力。
T-SNE可视化表明，经CNN映射后各类样本凝聚为独立簇群，簇间边界清晰，仅少数样本与其他故障类型接触，为后续分类器提供了极佳的输入条件。
方法对比雷达图中，所提方法在所有故障类别上均保持高准确率，整体最优。CWT-CNN直接采用线性分类器，在第五类故障上准确率显著下降；STFT-CNN-DOA-LSSVM在不同类别间波动较大，第七、八类表现较低；STFT-CNN第七类仅约80%；GAF-CNN-DOA-LSSVM少数类别尚可但整体偏低。
稳定性分析显示，五次重复实验中，所提方法以99.50%平均准确率和最小标准差位居首位。CWT-CNN排名第二但波动较大；STFT因固定时频分辨率受限，GAF表现优于STFT但仍不及CWT。
## 四、讨论与研究结论
综合两个数据集的实验结果，CWT相较于STFT和GAF，能更有效地凸显故障特征；DOA优化的LSSVM显著提升了特征分类精度。所提方法在准确率和稳定性上均具有绝对优势。然而，该方法仍存在一定局限性：优化算法虽提高了分类精度，但不可避免地增加了计算成本；此外，该方法主要聚焦于时频分析与深度学习架构的融合，对强噪声干扰及未知工况的考虑尚显不足。
**研究结论**：针对轴承故障诊断中传统方法依赖专家经验、单一深度学习模型易陷入局部最优及复杂工况下泛化不足等问题，本研究提出了融合CWT、CNN、DOA与LSSVM的混合分类方法。该方法首先利用CWT生成高分辨率时频图以凸显故障特征；进而采用CNN自动学习深层故障特征，有效捕捉微弱故障信息；此外，以LSSVM替代Softmax分类层以提升非线性分类性能，并引入DOA全局优化LSSVM关键参数，从而增强模型在复杂工况下的分类稳定性与泛化能力。在东南大学齿轮数据集和华中科技大学轴承数据集上的大量对比验证表明，所提方法分别取得了99.59%和99.50%的准确率，优于对比方法且表现出最佳稳定性。未来研究将针对强噪声干扰、未知工况及计算时间成本进一步优化，以提升方法的鲁棒性与实际部署效率。
