Page 216 - 《振动工程学报》2025年第9期

2146 振 动 工 程 学 报 第 38 卷

幅值 / (m·s −2 ) −0.05 0 0.02 0.04 0.06 0.08 幅值 / (m·s −2 ) −0.05 0 断结果更稳定，这主要是因为所提模型能够根据数
0.05 0.05 型，RCSSMM 的故障诊断精度有较大幅度提升，且诊

0
时间 / s
时间 / s 0 0.02 0.04 0.06 0.08 据的先验分布，自适应地调整权重分配，从而使分类
超平面更加准确。
(a) Spur 1 0.1 (b) Spur 2
幅值 / (m·s −2 ) −0.1 0 0.02 0.04 0.06 0.08 幅值 / (m·s −2 ) −0.1 0 100
0.1
100
99
0
时间 / s
时间 / s 0 0.02 0.04 0.06 0.08 100
(c) Spur 3 0.05 (d) Spur 4 100 100
幅值 / (m·s −2 ) −0.1 0 0.02 0.04 0.06 0.08 幅值 / (m·s −2 ) −0.05 0 样本个数 50 0 0 0 0 100 0 0 0 0 1
0.1
99
0
1
0
0
100
0
0
0
0
0
0
0
0
0
0
0
时间 / s
时间 / s 0 0.02 0.04 0.06 0.08 0 0 0 0 0 0 0 0 0 0 0 0 0 0 8
0
0
(e) Spur 5 0.05 (f) Spur 6 8 7 6 0 0 0 0 0 0 0 0 5 6 7
幅值 / (m·s −2 ) −0.05 0 0.02 0.04 0.06 0.08 幅值 / (m·s −2 ) −0.05 0 实际标签 4 3 2 0 1 0 0 1 0 2 3 4 预测标签
0.05
5
0
时间 / s
时间 / s 0 0.02 0.04 0.06 0.08 图 7 RCSSMM 模型诊断结果的混淆矩阵
(g) Spur 7 (h) Spur 8
Fig. 7 Confusion matrix of diagnosis results of RCSSMM

图 5 不同齿轮箱健康状态的原始振动信号 model
Fig. 5 Original vibration signals of different health states of
gearbox
SMM NPLSSMM IDSMM RSSMM
MSCNN MSAE RCSSMM

100
故障诊断精度 / % 96
98
94
Spur 1 Spur 2 Spur 3 Spur 4 92
90
1 2 3 4 5 6 7 8 9 10
实验序号

图 8 各模型的 10 次诊断结果
Fig. 8 10 times diagnosis results for each model
Spur 5 Spur 6 Spur 7 Spur 8

图 6 各齿轮箱健康状态的小波时频图
Fig. 6 Wavelet time-frequency diagrams of each gearbox health 表 2 各模型的故障诊断结果
state Tab. 2 Fault diagnosis results of each model

模型 平均故障诊断精度/% 标准差/% 平均训练时间/s
4.1.2 结果分析
SMM 95.15 0.71 0.16
随机选择 50% 的样本用于模型训练，剩余的样
NPLSSMM 96.29 0.67 1.57
本用于测试模型的故障诊断性能。RCSSMM 模型诊
IDSMM 97.63 0.92 0.81
断 结 果 的 混 淆 矩 阵 如图 7 所 示 。 可 以 看 出 ， 仅 有
RSSMM 97.40 1.03 6.38
2 个 属 于 第 3 类 和 第 6 类 的 样 本 被 错 误 诊 断 成 第
MSCNN 98.01 1.02 187.64
8 类，RCSSMM 的整体故障诊断精度为 99.75%。为
MSAE 98.23 1.10 117.39
了 避 免 实 验 结 果 的 偶 然 性， 各 诊 断 模 型 重 复 运 行
RCSSMM 99.10 0.61 2.53
10 次，具体诊断结果如图 8 所示。同时，表 2 统计了
各模型的平均故障诊断精度、标准差及平均训练时间。 为了验证 HHO 算法的有效性，另采用蚁群优化
从图 8 中可以看出，RCSSMM 模型 10 次实验中 算法（ant colony optimization，ACO）、萤火虫算法（firefly
有 7 次获得了最高的故障诊断精度，甚至在第 2 次 algorithm，FA）、粒子群算法（particle swarm optimization，
实验中故障诊断精度达到了 100%。得益于多层网 PSO） 、 鲸 鱼 优 化 算 法 （ whale optimization algorithm，
络结构强大的特征再学习能力，MSAE 和 MSCNN 在 WOA）对 RCSSMM 模型参数进行优化，优化结果如
其余 3 次实验中取得了不俗的诊断性能。然而，从 表 3 所示。可以看出，经过 HHO 算法参数优化后，
表 2 中可知，MSAE 和 MSCNN 的运行效率要远低于 所提 RCSSMM 模型的故障诊断精度最高，诊断结果
所提 RCSSMM 模型。相较于其他 4 种矩阵学习模 验证了 HHO 算法的有效性。