Page 168 - 《振动工程学报》2026年第3期

768 振 动 工 程 学 报 第 39 卷

在实际工业环境中，IRF 和 ORF 是轴承的常见 器进行测试，对解码器不进行单独训练。SDAEC
故障类型。同时，为了更好地体现出模型的性能，防 模型测试完成之后再训练多解码器以进行 MDAEC
止故障特征对结果造成影响，分别设置了两组数据 模型的测试，从而能更好地体现出多解码器的优势。
进行对比分析。在数据集 1 中，N 和 ORF 作为已知 编码器提取全部测试数据低维特征的可视化结
样本，IRF 为未知样本；在数据集 2 中，N 和 IRF 作为 果如图 5 所示。从图 5 中可以看出，两种故障数据的
已知样本，ORF 为未知样本。每组数据训练集和测 特征比较接近，与正常样本的特征差距较大。之后
试 集 划 分 的 详 细 信 息 如 表 2 所 示 ，其 中 N、IRF 和
将得到的低维特征输入训练好的解码器中进行信号
ORF 各有 500 条数据。
的重构，计算得到重构误差如图 6 所示。结合图 5 分
析可知，由于数据集 1 中未知样本 IRF 与已知样本
表 2 样本划分情况表
Tab. 2 Sample division table ORF 特征混叠现象比较严重，使得解码器错误地将
测试数据 未知的故障样本识别为已知样本导致最后的重构误
数据集 训练数据
已知 未知 差小于阈值。在数据集 2 中，编码器提取到未知故
N ORF N ORF IRF 障样本的低维特征与已知故障样本的低维特征差距
1
398 402 102 98 200 比较明显，解码器无法恢复未知的 ORF，可以使部
N IRF N IRF ORF
2 分未知故障样本被检测出来。
398 402 102 98 200

在训练时，使用 Adam 作为优化器，学习率设置
为 1×10 。为了更好地体现编码器的特征提取能
-3
力 ，将 输 出 低 维 特 征 利 用 T⁃SNE（t⁃distributed sto⁃
chastic neighbor embedding）算 法 进 行 可 视 化 ［19］ ，其
中训练前后测试集数据提取特征的变化情况如图 4
所示。从图 4 中可以看出，编码器经过训练之后，正
常样本与故障样本的特征差距明显增大。 图 5 测试数据特征可视化

Fig. 5 Test data feature visualization

图 4 编码器输出特征的变化情况
Fig. 4 Changes in encoder output features

为了进一步体现出 MDAEC 模型的有效性，先
使 用 单 解 码 器 的 自 编 码 分 类（single⁃decoder AE
classifier， SDAEC）模 型 对 模 型 进 行 测 试 ，SDAEC 图 6 SDAEC 模型得到的重构误差
与 MDAEC 不同的是直接使用初步训练时的解码 Fig. 6 Reconstruction error obtained by SDAEC model