Page 170 - 《振动工程学报》2026年第3期

770 振 动 工 程 学 报 第 39 卷

图 9 为数据集 2 的测试数据输入各解码器之后得到
的重构误差，其中，解码器 1 为已知的正常样本训练
得 到 的 ，解 码 器 2 为 已 知 的 IRF 样 本 训 练 得 到 的 。
从图 9 中可以看出，未知的 ORF 样本的重构误差在
每 一 个 解 码 器 下 都 大 于 相 应 的 阈 值 ，因 此 未 知 的
ORF 样本全部被正确检出。MDAEC 模型对每个
数据集的测试数据进行未知故障检测的详细结果如
表 3 所示，对比 SDAEC 模型的检测结果，在各项评 图 10 MDAEC 模型得到的已知样本分类结果
价指标上均有了明显的提升。 Fig. 10 Classification result of known samples obtained by
MDAEC model

IRF 样本被判断成了已知样本，并被错误地识别成
了已知的 ORF 类别，数据集 2 中全部的未知故障样
本均被正确检测，因此进行分类的只有 N 和 IRF 两
种已知的类别，此外由于已知样本类型进行过训练，
并且不同类型样本特征差距明显，因此对参与训练过
的已知样本类型分类全部正确。在 MDAEC 模型下，
数据集 1 的测试数据已知样本分类准确率为 98.5%，
数据集 2 的测试数据已知样本分类准确率为 100%，
相对于 SDAEC 模型，由于对未知故障检测的效果
有了明显改善，使得对已知样本的分类准确率也有
了明显的提升。
为 了 进 一 步 测 试 MDAEC 模 型 在 存 在 多 种 已
知设备状态的情况下对未知故障的检测能力，选择
常见的异常检测算法 OCSVM 与 iForest 作对比试
验。首先使用各数据集的训练数据对 OCSVM 与
iForest 进行训练，之后使用包含未知故障样本的测
试数据对算法进行测试。图 11 和 12 分别为数据集
1 和数据集 2 在不同算法下的未知故障检测结果。
图 9 MDAEC 模型得到的数据集 2 测试数据的重构误差
从图中可以看出，OCSVM 算法虽然可以检测出大
Fig. 9 Reconstruction error of test data from dataset 2
量的未知故障，但是也存在部分已知样本被错误识
obtained by MDAEC model
别为未知故障样本的情况；而由于未知故障样本与
当存在一个解码器使得输入样本的重构误差小 已知样本类别特征比较接近，iForest 算法错误地将
于该解码器的阈值时，该条样本为已知样本。基于 未知故障样本识别为了已知样本。当存在多种已知
多解码器对未知故障进行检测的结果，之后对已知 的样本类型时，iForest 算法会分离出与这些已知样
样本进行分类。图 10 为 MDAEC 模型得到的各数 本类型距离较远且分布稀疏的孤立点，然而这种兼
据集的测试数据中已知样本分类结果的混淆矩阵。 顾多种已知样本类型的方法会大大降低对未知故障
从图 10 中可以看出，在数据集 1 中只有 3 个未知的 的检测精度，而OCSVM 算法则很难确定一个合适

图 11 不同算法对测试数据集 1 的未知故障检测结果
Fig. 11 Unknown fault detection results by different algorithms on test dataset 1