Page 164 - 《振动工程学报》2026年第3期
P. 164

764                                振   动   工   程   学   报                               第 39 卷

              有出色的适应性和泛化能力，能够处理更加复杂的                            索。CHOW 等     ［12］ 设计了一种卷积自编码器结构，通
                        ［3］
              非线性数据 ，在近年来得到了学术界和工业界的                            过使用无缺陷样本进行训练，实现了对异常样本的
                              ［4］
              广泛研究。JIA 等 提出了一种基于深度神经网络                          检测。在对时序特征的提取方面，ZHANG 等                    ［13］ 研
             （deep neural network， DNN）的 智 能 诊 断 方 法 ，克         究 了 一 种 基 于 长 短 期 记 忆 的 堆 叠 降 噪 自 编 码 器
              服了传统方法在处理复杂非线性数据方面的不足。                            （LSTM⁃SDAE）和 极 限 梯 度 增 强 的 风 电 机 组 异 常
              之 后 ，随 着 卷 积 神 经 网 络（convolutional neural net⁃    检测与诊断方法，首先使用 LSTM⁃SDAE 进行异常
              work， CNN）在 局 部 特 征 提 取 方 面 能 力 的 显 现 ，           检测，之后利用极限梯度增强算法进行异常定位与
                     ［5］
              HAN 等 将 CNN 与 SVM 相结合，提出了一种基于                     诊断。为了进一步提取数据的时空特征，YIN 等                     ［14］
              CNN⁃SVM 的轴承故障诊断方案，使用 CNN 提取数                      将 CNN 与 LSTM 相结合，提高了 AE 的异常检测能
              据特征然后通过 SVM 进行分类，在减少系统运行                          力。然而，基于正常样本训练的自编码器只能实现
              时间的同时提高了分类准确率。随着输入时序数据                            异常检测的功能，无法对异常样本进行分类。若此
              长度的增加，为了发现捕捉时间序列的长期依赖关                            时使用分类算法也只能将样本划分为已知的类别，
              系 ，长 短 期 记 忆（long short⁃term memory， LSTM）        从而导致维护人员可能产生错误的判断。若要在存
                                                                在已知故障类别的情况下发现未知的故障类别，则
              网 络 也 被 应 用 到 了 故 障 诊 断 领 域 。 KHORRAM
                ［6］
              等 设计了一型 CNN⁃LSTM 神经网络，将 CNN 与                     需要探索其他方式。
              LSTM 相结合，在提取数据局部特征的同时保持对                               在实际的工业场景中，随着机械设备器件越来
              长期依赖信息的提取。基于深度学习的故障诊断方                            越复杂，可能产生的故障种类也越来越多。随着运行
              案，一般需要足够的故障样本进行训练才能获得较                            时间的增加，设备会发生一些之前未能诊断出的故
              好的检测效果，但是实际的工业环境中故障样本数                            障，此时若不能及时检出，会使得设备损坏进一步加
              量很少甚至没有故障样本。因此，在只存在大量正                            重，从而导致设备停机，降低生产效率。如果模型能
              常样本的情况下，如何能准确地发现异常样本是需                            够在对已知故障进行分类的同时检测出未知故障，就
                                                                可以有针对性地对设备进行维护，提高维护效率，减
              要重点关注的问题。
                  传统的异常检测方法主要包括一类支持向量                           少生产损失。因此，为了解决以上问题，本文提出了
              机（one⁃class support vector machine， OCSVM）、孤      一种基于多解码器的自编码分类（multi⁃decoders AE
                                                                classifier， MDAEC）模 型 ，在 对 已 知 故 障 进 行 分 类
              立森林（isolation forest， iForest）以及局部异常因子
                                                                的同时对未知故障进行检测。利用 AE 的特征提取
             （local outlier factor， LOF）等 方 法 。 OCSVM 是 一
                                                                能力，将中间的隐藏层接入一个分类网络中，在模型
              种流行的异常检测方法，它通过在核空间中建立决
                                                                训练时使用正常样本与已知的故障样本同时训练
              策 边 界 来 检 测 异 常 数 据 点 。 PANG 等     ［7］ 提 出 了 一
                                                                AE 以及分类网络。在测试时，首先通过 AE 网络的
              种 结 合 矢 量 量 化 和 OCSVM 的 混 合 算 法 ，解 决 了
                                                                重构误差以及阈值判断输入样本是否为未知故障，
              OCSVM 算 法 在 复 杂 数 据 分 布 以 及 内 核 参 数 选 择
                                                                如果判断为未知故障，则输出报警信息，提醒工作人
              上 的 问 题 。 基 于 iForest 的 异 常 检 测 方 法 由 LIU
                                                                员对设备进行维护。如果判断输入样本属于已知样
              等 ［8］ 提 出 ，该 方 法 完 全 基 于 隔 离 的 概 念 来 检 测 异
                                                                本，则将隐藏层的特征输入分类网络中即可得到具
              常。在机械设备监测数据的异常检测方面，LI 等                     ［9］
                                                                体故障类型，实现对已知故障样本的分类。
              提出了一种相似度测量的 iForest 方法来检测数据
              的 异 常 片 段 ，降 低 了 iForest 在 处 理 机 械 设 备 监 测
                                                                1 基于 MDAEC 的故障检测方法
              数据方面的不稳定性。但是，在复杂多变的工业场
              景中，传统的异常检测方法准确率不高，无法满足
                                                                1. 1 MDAEC 模型
              实际需求。
                  深度学习的发展给机械设备的异常检测提供了                               MDAEC 模型主要包括三个模块：编码器模块、
              思路，自编码器（autoencoder，AE）是一种无监督的                    多解码器模块以及分类器模块，模型结构如图 1 所
              神经网络模型并且拥有对称的网络结构                  ［10］ 。由于深      示。其中，编码器模块负责对输入样本进行特征提
              度神经网络具有很强的特征提取能力以及泛化性，                            取，多解码器模块负责对输入样本进行重构并根据
              AE 在 机 械 设 备 的 异 常 检 测 中 表 现 出 了 更 好 的 性          重构误差判断输入样本是否为未知故障，分类器模
              能。WU 等    ［11］ 构建了一种 AE，将低维特征的分布概                 块负责对已知样本进行分类。
              率和重构误差作为异常状态的评判指标，实现了较                                 MDAEC 模型的训练包括两个阶段，首先使用
              高的异常检测准确率。为了提高 AE 的特征提取能                          全部的已知样本对编码器、解码器以及分类器进行
              力，研究者们在 DNN 的结构方面也进行了深入探                          训练，之后将编码器输出的特征按标签进行分组，使
   159   160   161   162   163   164   165   166   167   168   169