Page 173 - 《振动工程学报》2026年第3期

第 3 期 孟祥恒，等： 自编码器在机械设备未知故障检测中的应用 773

德国帕德伯恩大学的公开轴承数据集以及 CWRU chine monitoring data［J］. IEEE Transactions on Instru⁃
的轴承故障数据集分别进行了试验验证，通过与单 mentation and Measurement， 2021， 70： 3512512.
解码器模型及其他常见的异常检测方法对比，进一 ［10］ QIAN J C， SONG Z H， YAO Y， et al. A review on
autoencoder based representation learning for fault de⁃
步体现出多解码器在未知故障检测方面的优势。同
tection and diagnosis in industrial processes［J］. Chemo⁃
时构造了多个不同的数据集，在将不同故障作为未
metrics and Intelligent Laboratory Systems， 2022，
知故障的情况下，验证了本文所提方法的有效性与 231： 104711.
实用性。 ［11］ WU J Y， ZHAO Z B， SUN C， et al. Fault-attention
generative probabilistic adversarial autoencoder for ma⁃
参考文献: chine anomaly detection［J］. IEEE Transactions on In⁃
dustrial Informatics， 2020， 16（12）： 7479-7488.
［12］ CHOW J K， SU Z， WU J， et al. Anomaly detection of
［1］ TUERXUN W， XU C， GUO H Y， et al. Fault diagno⁃
defects on concrete structures with the convolutional au⁃
sis of wind turbines based on a support vector machine
toencoder［J］. Advanced Engineering Informatics， 2020，
optimized by the sparrow search algorithm［J］. IEEE
45： 101105.
Access， 2021， 9： 69307-69315.
［13］ ZHANG C， HU D， YANG T. Anomaly detection and
［2］ LIU R N， YANG B Y， ZIO E， et al. Artificial intelli⁃
diagnosis for wind turbines using long short-term memo⁃
gence for fault diagnosis of rotating machinery： a review
ry-based stacked denoising autoencoders and XGBoost
［J］. Mechanical Systems and Signal Processing， 2018，
［J］. Reliability Engineering & System Safety， 2022，
108： 33-47.
222： 108445.
［3］ LECUN Y， BENGIO Y， HINTON G. Deep learning
［14］ YIN C Y， ZHANG S， WANG J， et al. Anomaly de⁃
［J］. Nature， 2015， 521（7553）： 436-444.
tection based on convolutional recurrent autoencoder for
［4］ JIA F， LEI Y G， LIN J， et al. Deep neural networks：
IoT time series［J］. IEEE Transactions on Systems，
a promising tool for fault characteristic mining and intel⁃
Man， and Cybernetics： Systems， 2022， 52（1）： 112-122.
ligent diagnosis of rotating machinery with massive data
［15］ PANZA M A， POTA M， ESPOSITO M. Anomaly
［J］. Mechanical Systems and Signal Processing， 2016，
detection methods for industrial applications： a compara⁃
72-73： 303-315.
tive study［J］. Electronics， 2023， 12（18）： 3971.
［5］ HAN T， ZHANG L W， YIN Z J， et al. Rolling bear⁃
［16］ PUKELSHEIM F. The three sigma rule［J］. The
ing fault diagnosis with combined convolutional neural
American Statistician， 1994， 48（2）： 88-91.
networks and support vector machine［J］. Measure⁃
［17］ HOU Y D， WANG J J， CHEN Z Q， et al. Diagnosis⁃
ment， 2021， 177： 109022.
former： an efficient rolling bearing fault diagnosis meth⁃
［6］ KHORRAM A， KHALOOEI M， REZGHI M. End-
od based on improved Transformer［J］. Engineering Ap⁃
to-end CNN+LSTM deep learning approach for bear⁃
plications of Artificial Intelligence， 2023， 124： 106507.
ing fault diagnosis［J］. Applied Intelligence， 2021， 51
［18］ ZHANG W， PENG G L， LI C H， et al. A new deep
（2）： 736-751.
learning model for fault diagnosis with good anti-noise
［7］ PANG J X， PU X K， LI C G. A hybrid algorithm in⁃
and domain adaptation ability on raw vibration signals
corporating vector quantization and one-class support
［J］. Sensors， 2017， 17（2）： 425.
vector machine for industrial anomaly detection［J］.
［19］ VAN DER MAATEN L， HINTON G. Visualizing da⁃
IEEE Transactions on Industrial Informatics， 2022， 18
ta using t-SNE［J］. Journal of Machine Learning Re⁃
（12）： 8786-8796.
search， 2008， 9（11）： 2579⁃2605.
［8］ LIU F T， TING K M， ZHOU Z H. Isolation-based
anomaly detection［J］. ACM Transactions on Knowl⁃ 第一作者: 孟祥恒（2000—），男，硕士研究生。
edge Discovery from Data， 2012， 6（1）： 1-39. E-mail：mengxh@bupt.edu.cn
［9］ LI C G， GUO L， GAO H L， et al. Similarity-mea⁃ 通信作者: 许方敏（1982―），男，博士，副教授。
sured isolation forest： anomaly detection method for ma⁃ E-mail：xufm@bupt.edu.cn