一种基于小波包分解（WPD）时频特征增强的新型轴承故障诊断方法

《World Electric Vehicle Journal》：A Novel Bearing Fault Diagnosis Method with Wavelet Packet Decomposition Time-Frequency Feature Enhancement

　　

准确的轴承故障诊断对于确保电驱动系统的安全性和可靠性至关重要。针对轴承故障时频特征信息未能充分利用以及缺乏自适应特征选择机制导致的诊断不准确问题，本文提出了一种基于小波包分解（WPD）时频特征增强的智能轴承故障诊断方法。首先，利用WPD对采集的振动信号进行增强处理，获取全频带时频信息，为轴承故障诊断模型提供输入。其次，构建了用于轴承故障诊断的混合神经网络CNN-BiLSTM-AM。在采用改进的交叉卷积层卷积神经网络（CNN）提取输入数据多尺度空间特征，以及采用双向长短期记忆网络（BiLSTM）捕获特征间双向时序依赖关系的基础上，引入注意力机制（AM）对关键全局特征进行自适应加权增强。最后，利用全连接层实现轴承故障状态的智能分类。在实验室测试数据集上的验证表明，所提方法的平均诊断准确率达到98.67%，优于现有基准模型，且表现出较强的泛化能力。本研究为电驱动系统轴承提供了一种有效且实用的智能故障诊断方案。

该论文发表于《World Electric Vehicle Journal》，针对电驱动系统轴承故障诊断问题展开研究。轴承作为新能源汽车电驱动系统的核心部件，在动态交变冲击载荷和恶劣服役条件下极易发生故障，直接影响车辆驱动性能乃至乘客生命财产安全。现有诊断方法主要分为三类：基于物理模型与专家经验的方法、基于传统机器学习的方法和基于深度学习的方法。基于物理模型的方法试图通过动力学方程建立轴承数学模型，但该方法在多非线性因素的实际工程中难以建立精确解析模型；基于专家经验的方法依赖人工设计的先验规则，面对海量、高维、非平稳且背景噪声强的信号时，难以保证特征提取的全面性和诊断模型的泛化能力；传统机器学习方法（如支持向量机SVM、随机森林RF、K近邻KNN等）仍严重依赖前端人工特征工程，对于复杂的机械耦合故障，人工设计的浅层特征往往无法充分表征其内在非线性映射关系，且计算成本随数据维度增加而显著上升。深度学习方法虽能自动学习高判别性抽象特征，但单一网络架构难以同时准确捕获局部空间特征和全局长程时序特征，且一维时域信号缺乏频域结构信息，难以描述轴承在非平稳冲击下的复杂时频耦合关系。针对上述挑战，研究人员旨在构建从轴承振动时间序列信号到故障状态的端到端智能诊断框架，提出了一种基于WPD时频特征增强的轴承故障诊断方法。

研究采用的关键技术方法包括：（1）信号预处理方面，采用db4小波基函数对数据进行3级WPD，将一维非平稳振动序列重构为包含8个独立频带的二维时频特征矩阵；（2）网络架构方面，构建CNN-BiLSTM-AM混合神经网络，其中CNN模块采用交叉卷积层改进以提取多尺度空间特征，BiLSTM模块捕获双向时序依赖，AM模块实现全局特征的自适应加权增强；（3）实验验证方面，使用自主搭建的转子轴承试验台数据集（覆盖3种转速×2种径向载荷共6种复合工况，6种健康状态）和CWRU公开数据集进行验证，训练、验证、测试集按7:2:1比例划分。

研究结果部分主要包括以下内容：

**WPD分解级数选择实验**：通过实验确定分解级数为3时诊断准确率达到峰值，且参数量和训练时间均最小。此时各子带系数在空间维度上拼接为包含8个独立频带的二维时频特征矩阵，作为后续CNN空间特征提取模块的输入。

**模型训练与收敛特性**：模型训练采用交叉熵损失函数和Adam优化算法，初始学习率0.001，批量大小64，最大训练轮次150，并加入耐心值20的早停机制。训练曲线显示模型在初始阶段快速收敛，损失急剧下降而准确率显著上升，随后进入稳定收敛阶段，最终动态停止于损失稳定收敛至近零水平、准确率维持高位的最优点。

**模型性能评估**：在自测实验室数据集上，所提模型的准确率、精确率、召回率和F1分数均达到98.67%以上，标准差范围为±0.14%至±0.17%。混淆矩阵显示Normal类别完美分类率为98.50%，Ball、Inner race（0.18, 0.36）和Outer race（0.18, 0.36）等高混淆类别的局部准确率仍保持97%以上。t-SNE特征可视化表明，经WPD处理后特征仍有重叠；经CNN模块后呈现类内聚合趋势；经BiLSTM模块后类内紧凑性和类间可分性显著提升；经AM模块自适应加权优化后，各类别形成边界清晰的独立簇。

**消融实验**：设置5种变体模型进行对比，完整模型（Model A）准确率最高。去除WPD预处理（Model B）准确率从98.67%降至97.29%，表明WPD能减少频域特征混叠并提供结构化物理先验输入；去除CNN模块（Model C）准确率降至96.46%，证实CNN对二维时频谱局部冲击模式和空间纹理的提取能力；去除BiLSTM模块（Model D）影响最大，准确率降至94.92%（降幅3.75%），说明全局时序特征在复杂故障诊断中的核心作用；去除AM模块（Model E）准确率降至96.12%，表明AM对关键故障特征的自适应聚焦能力不可替代。

**噪声鲁棒性分析**：向测试样本添加高斯白噪声模拟-2 dB至10 dB信噪比（SNR）条件，准确率从65.74%上升至96.16%。由于WPD将噪声能量均匀分散至8个子带，而故障冲击能量集中于少数高频子带，即使在0 dB全局SNR下，故障冲击子带内的局部SNR仍高于0 dB，使故障特征不会被完全淹没。

**与现有流行模型的比较**：与WDCNN（准确率95.46%）、MCF-1DVIT（准确率96.92%）、Transformer（准确率96.08%）和Conv-ET（准确率98.54%）等基准模型相比，所提模型在测试集上取得98.67%的最高准确率和F1分数。相比WDCNN，准确率提升3.21%，表明单一卷积操作不足以充分提取非平稳冲击信号的有效特征；相比MCF-1DVIT，准确率提升1.75%，说明所设计的级联架构比直接重构一维信号为二维图像块更能有效保留信号时频结构；相比Conv-ET保持0.13%的精度优势，验证了多尺度空间感知与双向长序列建模深度融合的合理性；相比Transformer提升2.59%，源于前端多尺度CNN比全局自注意力更适合捕捉微弱瞬态冲击中的局部强相关性，BiLSTM的时序归纳偏置在有限样本工业场景中具有更强的抗过拟合能力，以及终端注意力模块对核心特征的精确聚焦避免了标准Transformer全局计算的高参数冗余。

**CWRU数据集模型评估**：所提方法在CWRU公开基准上取得99.97%的测试准确率，精确率、召回率和F1分数分别达到99.97%、99.98%和99.97%。在Normal、Ball（0.18, 0.36, 0.54）、Inner race（0.18, 0.54）和Outer race（0.18, 0.54）等大部分类别上实现100%的完美识别，仅在Inner race 0.36和Outer race 0.36等少数具有相同损伤尺寸的案例中出现可忽略的混淆。与基准模型的对比进一步确认所提模型优于所有对比模型，且WPD-based频带解耦和级联架构能有效泛化至不同轴承平台。

论文讨论部分总结如下：研究构建的融合物理先验与数据驱动的智能诊断框架，采用WPD作为前端数据预处理步骤，有效解耦非平稳振动信号中的频域特征，为后续深度网络提供低混叠、结构化的高质量二维时频输入，克服了数据驱动模型在复杂工况和强噪声干扰下的特征提取瓶颈。所设计的多维特征协同提取混合网络架构，通过改进的交叉卷积层CNN模块捕获局部空间共振模式，利用BiLSTM模块建立跨时间步的全局时序演化依赖，嵌入AM模块自适应聚焦于关键全局故障相关特征。实验结果充分验证了WPD及各网络模块的独立贡献，相比经典浅层网络、主流序列模型和最先进的Transformer架构，所提模型在分类准确率、特征解耦能力和泛化性能方面具有显著优势。

研究结论部分翻译如下：准确诊断电驱动系统轴承故障对于新能源汽车的安全可靠运行至关重要。为解决现有轴承故障诊断方法中存在的时频特征信息利用不充分、关键特征选择能力弱等问题，本文提出了一种融合WPD与混合CNN-BiLSTM-AM网络的端到端轴承故障诊断方法。通过理论分析和实验验证得出以下结论：首先，构建了融合物理先验与数据驱动的智能诊断框架，采用WPD作为前端数据预处理步骤，有效解耦非平稳振动信号中的频域特征，为后续深度网络提供低混叠、结构化的高质量二维时频输入，有效克服了数据驱动模型在复杂工况和强噪声干扰下的特征提取瓶颈。其次，设计了多维特征协同提取的混合网络架构，所提架构通过改进的交叉卷积层CNN模块捕获局部空间共振模式，利用BiLSTM模块建立跨时间步的全局时序演化依赖，嵌入AM模块自适应聚焦于关键全局故障相关特征。第三，验证了模型在复杂诊断任务中的有效性和优越性，实验结果表明所提方法在自测实验室数据集上取得了98.67%的平均诊断准确率，消融研究充分验证了WPD及各网络模块的独立贡献，与经典浅层网络、主流序列模型和最先进的Transformer架构相比，所提模型在分类准确率、特征解耦能力和泛化性能方面具有显著优势。然而，当前验证局限于单一轴承类型和固定工况范围，当应用于不同电机类型或远超出训练范围的工况时，可能因域偏移导致性能下降，通过域自适应或迁移学习技术解决该问题仍是未来研究方向。所提方法为新能源汽车电驱动系统等关键系统的轴承状态监测和智能维护提供了可靠解决方案，未来工作应着重探索轻量化模型设计以满足工业边缘部署需求，增强对未知故障类型数据的识别能力，并强化模型在极端变工况和强背景噪声下的自适应鲁棒性。