Page 172 - 《振动工程学报》2026年第3期

772 振 动 工 程 学 报 第 39 卷

表 7 不同阈值下的试验效果 图 14 中可以看出 ，除了将少量未知样本判断错误
Tab. 7 Experimental effects with different thresholds 外，对已知样本的分类全部正确。
阈值 ACC PRE REC F1
μ 0.46 0.40 1.00 0.57
μ + σ 0.72 0.56 1.00 0.72
μ + 3σ 0.97 0.93 0.99 0.96
μ + 5σ 0.93 0.96 0.83 0.89
0.71 0.93 0.19 0.31
e max

时，既能准确地识别出未知的故障样本同时也可以
正确地判断出已知样本，因此本文选择 μ+3σ 作为
未知故障判断的阈值。
图 13 为 数 据 集 1 测 试 集 样 本 使 用 MDAEC 模
型得到的重构误差，其中后 300 个样本为未知的故
图 14 数据集 1 中 MDAEC 模型的混淆矩阵
障样本，每一条曲线为单个已知类别训练得到的重
Fig. 14 Confusion matrix of MDAEC model in dataset 1
构误差。从图 13 中可以看出，未知故障样本的重构
误差基本都高于对应的阈值。此外，MDAEC 模型
由于篇幅原因，本文仅对数据集 1 中 MDAEC
得 到 的 测 试 集 样 本 的 混 淆 矩 阵 如 图 14 所 示 。 从 模型的试验结果进行可视化展示，其他算法的对比
分析以及其余数据集的试验结果以表格的形式列
出。表 8 展示了各数据集的详细试验结果，其中，未
知故障检测的结果为各算法得到的测试集的 F1 分
数，已知故障分类的结果是对为未知故障检测之后
得到的已知样本进行分类的分类准确率。从表 8 中
可以看出，在未知故障检测方面，当未知样本特征与
已知样本特征比较相似时，OCSVM 和 SDAEC 算法

均很难检测出未知故障，而本文所提出的 MDAEC
方法可保持较高的准确率；此外，在已知故障分类方

图 13 数据集 1 中 MDAEC 模型重构误差 面 ，MDAEC 方 法 的 准 确 率 要 明 显 高 于 SVM 以 及
Fig. 13 MDAEC model reconstruction error in dataset 1 SDAEC 算法。

表 8 各数据集详细试验结果
Tab. 8 Detailed experimental results of each dataset

未知故障检测 已知故障分类
数据集
OCSVM SDAEC MDAEC SVM SDAEC MDAEC
1 0.94 0.18 0.96 0.92 0.66 0.99
2 0 0.006 0.73 0.57 0.63 0.84
3 0.94 0.63 0.92 0.92 0.77 0.99
4 0.95 0.99 0.98 0.93 0.99 1.00
5 0 0 0.73 0.57 0.64 0.85
6 0.93 0.83 0.94 0.89 0.87 0.99
7 0.29 0 0.81 0.61 0.64 0.90
8 0.41 0 0.86 0.63 0.63 0.93
9 0.09 0.006 0.82 0.58 0.64 0.89

情况，本文提出了一类网络结构，通过将自编码器的
3 结 论 中间隐藏层输入一个分类网络中，并且训练多个解
码器的方式构建了 MDAEC 模型，在对已知样本进
针对实际工业环境中机械设备存在未知故障的 行分类的同时实现了对未知故障样本的检测。使用