基于小波时频图与Swin Transformer的柴油机故障诊断方法.pdf

第 卷第期 年月系统工程与电子技术 文章编号：（）网址：收稿日期：；修回日期：；网络优先出版日期：。网络优先出版地址：基金项目：国家自然科学基金面上项目（）资助课题通讯作者引用格式：刘子昌，白永生，李思雨，等基于小波时频图与 的柴油机故障诊断方法系统工程与电子技术，（）：犚犲 犳 犲 狉 犲 狀 犮 犲犳 狅 狉犿犪 狋：，（）：基于小波时频图与犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉的柴油机故障诊断方法刘子昌，白永生，李思雨，贾希胜，（陆军工程大学石家庄校区，河北 石家庄 ；河北省机械装备状态监测与评估重点实验室，河北 石家庄 ）摘要：针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题，提出基于小波时频图与 的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和 强大的图像分类能力，通过连续小波变换将原始信号表示为小波时频图，将小波时频图作为特征图输入到 进行训练，实现柴油机故障状态识别。实验结果表明，与对比方法相比，所提方法具有较好的故障识别精度及稳定性，在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到 和 ，为柴油机故障诊断提供了一种新的思路。关键词：连续小波变换；小波时频图；柴油机；故障诊断中图分类号：文献标志码：犇犗犐：犇 犻 犲 狊 犲 犾犲 狀 犵 犻 狀 犲犳 犪 狌 犾 狋犱 犻 犪 犵 狀 狅 狊 犻 狊犿犲 狋 犺 狅 犱犫 犪 狊 犲 犱狅 狀狑犪 狏 犲 犾 犲 狋狋 犻 犿犲 犳 狉 犲 狇 狌 犲 狀 犮 狔犱 犻 犪 犵 狉 犪犿犪 狀 犱犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉 ，（犛犺 犻 犼 犻 犪 狕 犺 狌 犪 狀犵犆犪犿狆狌 狊，犃狉犿狔犈狀犵 犻 狀 犲 犲 狉 犻 狀犵犝狀 犻 狏 犲 狉 狊 犻 狋 狔狅 犳犘犔犃，犛犺 犻 犼 犻 犪 狕 犺 狌 犪 狀犵 ，犆犺 犻 狀 犪；犎犲 犫 犲 犻犘狉 狅 狏 犻 狀 犮 犻 犪 犾犓犲 狔犔犪 犫狅 犳犆狅 狀犱 犻 狋 犻 狅 狀犕狅 狀 犻 狋 狅 狉 犻 狀犵犪 狀犱犃狊 狊 犲 狊 狊犿犲 狀 狋狅 犳犕犲 犮 犺 犪 狀 犻 犮 犪 犾犈狇 狌 犻 狆犿犲 狀 狋，犛犺 犻 犼 犻 犪 狕 犺 狌 犪 狀犵 ，犆犺 犻 狀 犪）犃犫 狊 狋 狉 犪 犮 狋：，犓犲 狔狑狅 狉 犱 狊：；第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 引言柴油机具有扭矩大、经济性能好等优点，广泛应用于国民经济生产、生活、国防军工等各个领域。但由于其工作时产生的压力、温度较大，对零部件结构强度和刚度要求很高，其可靠性、安全性随着运行时间的增加逐渐降低，导致故障频发。如果不能及时发现故障，不但会影响设备的性能，甚至会造成严重的经济损失和安全事故。因此，开展柴油机的故障诊断方法研究，对于提高设备运行效率和预防突发事故具有重大意义。柴油机的故障诊断方法主要包括基于物理模型、基于混合模型和基于数据驱动模型的方法。基于物理模型的故障诊断方法适用于零部件级的状态识别，例如部件的裂纹、疲劳、磨损等。但构建物理模型需要深入了解柴油机的故障和失效机理，全面考虑部件受到的物理、化学过程，导致建模过程比较困难，不适用于系统级的设备。基于混合模型的诊断方法将各种诊断方法进行融合研究，以准确、客观地识别设备的不同工作状态。但由于涉及到多方法或者多模型的融合，导致其计算量过大或者建模困难，因此在实际应用中并不多。随着人工智能技术和计算机技术的快速发展，基于数据驱动模型的故障诊断方法是当前研究的主流方向，该方法通过不同类型的传感器采集到可以表征设备工作状态的信号，运用不同的特征提取方法和模式识别技术对其故障类型进行识别。以柴油机为例，由于工作环境复杂（受到高温、高压、恶劣环境的影响），对其采集原始信号时，通常以采集振动信号为主。由于振动信号具有采集方便、简易可行，且不需要拆解机体和改变柴油机结构的优势。因此，基于振动信号的柴油机故障诊断方法已成为国内外研究的热点。在故障特征提取方面，文献中在采集到的柴油机原始振动信号的基础上提取时域、频域等特征参数，进行归一化处理及数据降维，将训练样本输入到支持向量机（，）中，得到故障诊断结果。文献中提出一种基于变分模态分解（，）和基于核的模糊均值聚类（，）的柴油机故障诊断方法，首先通过对柴油机原始振动信号进行分解得到所需各分量，其次运用相关系数法选取与原始信号最相关的分量作为故障特征，最后将选取的分量输入到模型进行分类。文献 中提出一种基于改进和堆叠稀疏自编码器的柴油机故障诊断方法，首先对通过分解后的各分量提取小波能量特征和时域特征，其次对得到的特征进行混合并构建特征向量，最后输入到堆叠稀疏自编码器中进行故障诊断。然而，上述模型的特征提取方法均是基于一维振动数据，虽然信号的非线性特征在一定程度上可以进行保存，但网络模型更善于从高维数据中提取特征信息，而且原始振动信号在时间序列上的相关性并没有得到考虑。因此，学者们开始研究将柴油机一维原始振动信号通过某种方法转换为二维图像，对图像数据进行特征提取后用于分类网络的训练和识别。文献 中首先计算柴油机原始信号的三阶累积量，其次对图像纹理特征提取和高阶累积量进行结合得到特征参数，最后通过识别各故障状态。文献 中对柴油机振动信号进行 变换得到时频分布图，对其提取故障特征参数后通过进行故障诊断。文献 中通过平滑伪维格纳分布将柴油机振动信号转换为时频图像用于识别柴油机各故障状态。但是，通过上述方法转换原始振动信号时包含的特征信息有限，难以对待监测部件不同状态振动信号的时间依赖特征有效提取，容易造成信息的丢失。在基于数据驱动模型的故障诊断方法方面，目前常用的方法主要包括、反向传播神经网络、径向基神经网络、长短期记忆网络、卷积神经网络（，）等。其中，存在对参数选择敏感的问题，导致训练速度慢，从而限制了该方法在故障诊断中的应用。反向传播神经网络、径向基神经网络的泛化能力较差，在寻优的过程中容易产生局部最优解，导致模型诊断准确率下降。长短期记忆网络需要人工提取数据的时频域等特征，其本身并不具备特征提取能力。的当前输出只与当前输入有关，而柴油机采集到的当前振动信号与先前的信号也有关联，具有明显的时间特性，导致包含时间信息的数据通过较难处理。此外，虽然在解构图像信息并提取底层特征方面具有优势，但是存在卷积操作感受野受到局限、对图像全局信息较难捕捉、随着网络层数增多容易存在梯度消失问题等不足，影响模型的识别效果。基于上述分析，本文以柴油机为工程研究背景，针对目前柴油机故障状态监测困难和故障诊断准确率不理想的问题，提出一种结合小波时频图表示时变非线性非平稳信号的优势与 出色图像分类能力的柴油机故障诊断方法，以实现柴油机各故障状态的识别。通过连续小波变换将柴油机原始振动信号表示为小波时频图像，可以将振动信号对时间的依赖性映射到图像特征空间中，使原始特征信息尽可能多的保留在时频图中。运用 强大的学习能力对图像中的时间特征和空间特征进行自动提取后，完成故障状态识别。通过公开数据集和实验室的实测数据对提出的柴油机故障诊断方法的可行性及有效性进行验证。柴油机故障诊断方法基于小波时频图与 的柴油机故障诊断方法中，通过连续小波变换将采集到的原始振动信号转换为小波时频图，运用 网络模型识别各故障状态。因此，本节将分别对小波时频图、系统工程与电子技术第 卷 网络模型和基于小波时频图与 的柴油机故障诊断方法进行介绍。小波时频图对采集到的柴油机原始振动信号进行连续小波变换，将其表示为二维彩色小波时频图。连续小波变换是一种多尺度时频分析方法，具有强大的时频分析能力。通过振动加速度传感器采集到的柴油机原始信号是一种典型的一维时间序列，其纵坐标为各采样点对应的幅值，横坐标为时间或采样点。原始振动信号不能全面表示柴油机的故障状态信息，为了有效表征原始信号的时频特征，将信号转换为小波时频图，不仅可以凸显振动信号原始的特征信息，而且对时间序列特征信息能够进一步增强。连续小波变换可表示为犝（，）狓（狋）（狋）狋狘槡狘狓（狋）（狋）狋（）式中：犝（，）表示小波函数的系数，表征小波函数与原信号的相似度；和分别为伸缩因子和平移因子，用于改变小波形状和位移，两者均为连续变量，因此称为连续小波变换；狓（狋）表示原始信号；犔（犚）表示小波基函数；（狋）表示（狋）的共轭复数；犔（犚）为平方可积的实数空间。选择合适的小波基函数是有效进行小波变换的关键，由于采集到的柴油机振动信号产生的冲击特性与 小波相似，而复 小波与 小波相比具有更优的自适应性，是其复数形式，因此本文采用复 小波，数学表达式为（狋）（犉）犻犉狋狋犉犫（）式中：犉和犉分别为带宽因子和中心频率因子。设置小波基 ，是复 小波，其中表示犉犉，即带宽参数和小波中心频率均取。可通过如下步骤将采集到的振动信号表示为小波时频图。步骤伸缩因子对应的实际频率犉表示为犉犉犮犳狊（）式中：犳狊为采样频率。步骤由式（）可得，尺度序列狋需采用如下形式，以使变化后的频率序列为等差序列犃：犃犮 ，犮（），犮，犮，犮（）式中：设置尺度序列长度 为 ；犮为常数。步骤求犮：犮犉 （）步骤将式（）代入式（）得到所需尺度序列。原始振动信号狓（狋）由确定的尺度及小波基，通过式（）得到小波系数矩阵，结合时间序列及实际频率序列，即可得到原始信号的小波时频图。犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉网络模型 网络模型是微软亚洲研究院于 年提出的，是一种具有图所示层级式结构的 ，其特征通过图所示的一种称为“移动窗口”的方式得来的。模型完全基于自注意力机制，没有任何卷积层或循环神经网络层，不受局部相互作用限制。自注意力同时具有并行计算和最短的最大路径长度这两个优势。（）是首个用来取代并应用于图像分类的 模型。是对 的演进。尽管 最初是应用在文本数据上的序列到序列学习，但现在已经推广到各种现代的深度学习中，例如视觉、语音和强化学习领域。图层级式结构 图移位窗口 从小尺寸的图像块（黑色轮廓）开始，逐渐在更深的 层中合并相邻的图像块，从而构造出一种层次化表示。的层级式结构不仅非常灵活，可以提供各个尺度的特征信息，同时由于自注意力是在局部窗口之内计算的，只要窗口大小固定，自注意力的计算复杂度就是固定的，因此该模型的计算复杂度随着图像大小线性增长，而不像 模型平方倍增长。的一个关键设计元素是其在连续自注意力层之间的窗口分区移动。移动窗口方法的延迟比滑动窗口方法低得多，而建模能力却相似，不仅使该模型具有更高的效率（序列长度大大降低），而且通过移动操作能够让相邻的两个窗口之间有了交互，上下层之间可以有跨窗口连接，从而达到了一种全局建模的能力。模型的结构如图所示，主要由图像块分割层、层叠模块、归一化层、全局池化层和全连接层组成。第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 图 模型结构 小波时频图为红绿蓝（，）三通道图像，通过图像块分割层将输入为犎犠的图像分割为等尺寸非重叠的犖（犘犘）图像块，犎和犠分别为输入图像的高度和宽度，单位为像素。每个犘犘都被视为一个图像块序列，共拆分出犖个（即模型的有效输入序列长度）。该模型使用犘犘大小的图像块，故各图像块展平后向量维度为，犖（犎）（犠）。线性嵌入层将维度为（犎）（犠）的张量投影到任意维度犆（该模型结构中犆），此时维度为（犎）（犠）犆，之后将图像块序列输入到两个连续的 块中。每次先进行层归一化（，），然后进行基于窗口的多头自注意力（，），其次经过，最后经过多层感知机（，），此时第一个模块结束，紧接着做基于移动窗口的多头自注意力（，），这样即可实现窗口和窗口之间的互相通信，最后通过得到输出结果，输出序列数与输入一致，至此完成阶段。为实现层次化表示，通过图像块合并层序列数随着网络的加深而减少。阶段中图像块合并层拼接了每组的相邻图像块，通过模型块进行特征转换，输出为（犎）（犠）犆。阶段和阶段与阶段过程相同，输出分别为（犎）（犠）犆和（犎）（犠）犆。最后的 块执行完成后，通过归一化、全局池化和全连接输出故障状态识别结果。基于小波时频图与犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉的柴油机故障诊断方法小波时频图 柴油机故障诊断方法有效集成了小波时频图表示时变非线性非平稳信号的优势与 出色的图像分类能力，能够实现准确、高效的智能诊断。该方法的结构图如图所示，具体步骤如下。步骤使用振动加速度传感器在柴油机缸盖上采集原始振动信号，得到所需的原始数据样本。步骤对采集到的柴油机原始振动信号进行连续小波变换，将其表示为二维彩色小波时频图。对小波时频图进行预处理后得到所需特征样本。按照 的比例划分训练集和验证集，训练集用于训练模型，验证集用于评估模型性能，不参与模型训练。步骤建立 网络，参数设置如表所示。使用训练集作为训练样本，输入到设置好参数的网络中进行训练，得到柴油机故障状态识别模型。步骤通过训练好的模型对验证集中各故障状态进行识别。通过上述步骤，可有效识别柴油机的各故障状态，为柴油机故障诊断提供理论与技术支撑。图小波时频图 故障状态识别结构图 系统工程与电子技术第 卷表犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉网络参数犜 犪 犫 犾 犲犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉狀 犲 狋 狑狅 狉 犽狆 犪 狉 犪犿犲 狋 犲 狉 狊阶段输出大小 阶段 ，：，：阶段 ，：，：阶段 ，：，：阶段 ，：，：注：网络输入均为 的图像。实验结果与对比分析分别使用凯斯西储大学（，）公开的数据集和实验室的实测数据对基于小波时频图与 的柴油机故障诊断方法的可行性及有效性进行验证。各项实验均在 系统下完成，处理器为 （）（）；显卡为 ；机带为；软件环境为 、和 ；深度学习框架为 。公开数据集验证小波时频图 犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉方法的可行性由于滚动轴承的振动信号和实验室采集到的柴油机原始振动信号均具有时变非线性非平稳的特点，因此使用公开的轴承振动信号数据集验证小波时频图 方法的可行性。根据文献 ，该数据集来源于图所示的轴承故障模拟实验台。图轴承故障模拟实验台 实验采用深沟球轴承，型号为 ，轴承的故障是用电火花加工的单点损伤，使用加速度传感器采集轴承的振动加速度信号。采用的具体数据是采样频率为、电机近似转速为 、载荷为 的驱动端轴承数据。轴承状态包括：正常、内圈故障、外圈故障和滚动体故障，每种故障状态根据切割深度可分为种：、和 。本实验中选择的 种轴承状态数据如表所示。表选择的 种轴承数据犜 犪 犫 犾 犲犜 犲 狀犽 犻 狀 犱 狊狅 犳犫 犲 犪 狉 犻 狀 犵犱 犪 狋 犪狊 犲 犾 犲 犮 狋 犲 犱状态序号故障位置故障直径电机载荷 电机转速（）正常 内圈故障 内圈故障 内圈故障 外圈故障 外圈故障 外圈故障 滚动体故障 滚动体故障 滚动体故障 对轴承各状态下的振动信号进行时域分析。截取每种故障状态数据长度为 个采样点，得到轴承 种状态下的时域波形如图所示。图 种故障状态时域波形图 第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 可以看到，各状态的时域波形呈现不稳定状态，进行有效故障诊断较为困难。不同状态下的振动信号波形复杂，并无明显差异，很难人工直接识别出各状态。因此，单从时域信号波形分析很难实现滚动轴承多种故障的有效诊断，需要更有效的故障智能诊断方法。运用本文提出的小波时频图 方法对轴承各状态进行识别，从每种轴承状态数据中随机取 个样本，每个样本长度为 个采样点，因此共得到 个样本。按照的比例划分训练集和验证集，可以得到 个训练样本和 个验证样本用于小波时频图 故障诊断方法的可行性验证实验。对原始振动信号进行连续小波变换，将其表示为二维彩色小波时频图，为避免对分类结果造成影响，设置不显示坐标系、图例和空白部分，处理过后各状态下第一个样本的小波时频图如图所示。图 种故障状态小波时频图 图中的冷暖颜色代表小波能量值，越暖的颜色能量越大，反映信号各频率下的能量大小，横轴和纵轴分别表示时间和频率，显示信号频率成分随时间的变化情况。各状态的小波时频图能量较为集中，具有较好的时频分辨率，所含特征不同，对应的小波时频图不同，暖色部分呈现不规则块状分布。虽然有一定的差异表现形式，但相似度较高，仅凭人工对各故障状态进行准确区分难度较大。因此，通过具有强大图像分类功能的 网络对各故障状态进行识别。首先，设置图片不显示图例、坐标系和空白部分。然后，对各时频图进行标准化处理，加快模型收敛。最后，在不影响识别率的前提下，网格规范化压缩处理时频图，提高模型训练速度，将图片大小统一调整为 。综合考虑网络结构、计算机硬件水平和样本特征及大小后，将 网络在训练时的参数配置为：批量处理大小为；学习率为 ；权重衰减为 ；迭代次数为 ；输入图片大小为 ；分类类别数为；优化器为随机梯度下降；损失函数为交叉熵损失函数。从训练日志中提取实验结果并作图。将小波时频图 模型的训练结果与短时傅里叶变换 、小波时频图 以及 小 波 时 频 图二 维（，）模型的训练结果进行对比。其中，短时傅里叶变换 模型表示通过短时傅里叶变换将原始振动信号转换为时频图，将其预处理后作为 网络的输入，完成各故障状态的识别；小波时频图 模型表示通过连续小波变换将采集到的原始振动信号表示为小波时频图，对其预处理后作为 网络的输入，完成各故障状态的识别；小波时频图模型表示将采集到的原始振动信号转换为小波时频图，对其预处理后作为的输入，实现故障状态识别。得到各模型训练集和验证集的损失值和准确率结果如图所示，经次迭代后的故障状态识别结果如表所示。系统工程与电子技术第 卷图不同模型的训练结果对比（公开数据集）（）表各模型的准确率与损失值（公开数据集）犜 犪 犫 犾 犲犃犮 犮 狌 狉 犪 犮 狔犪 狀 犱犾 狅 狊 狊狏 犪 犾 狌 犲 狊狅 犳犱 犻 犳 犳 犲 狉 犲 狀 狋犿狅 犱 犲 犾 狊（狆 狌 犾 犻 犮犱 犪 狋 犪狊 犲 狋）模型准确率训练集验证集损失值训练集验证集小波时频图 短时傅里叶变换 小波时频图 小波时频图 从图和表中可以看出，种不同的故障状态识别模型在迭代 次后都已经收敛，且在公开数据集上均表现良好。在模型准确率与损失值方面，与其他种对比方法相比，本文提出的小波时频图 方法在迭代时具有最快的收敛速度，在训练集和验证集上均具有最高的准确率和最低的损失值，性能最优。在训练稳定性方面，小波时频图 方法最优，准确率与损失值曲线总体非常稳定，而其他种对比方法均出现不同程度的波动。因此，与对比模型相比，小波时频图 故障诊断方法在识别准确率、损失值和稳定性方面均具有更为优异的表现，可行性得到了验证。实验室实测数据验证小波时频图 犛狑 犻 狀犜 狉 犪 狀 狊 犳 狅 狉犿犲 狉方法的有效性为了验证小波时频图 柴油机故障诊断方法的有效性，本研究依托于某实验室的高压共轨柴油机实验台，以 型柴油机为研究对象，柴油机技术指标如表所示，采集柴油机在不同故障模式下运转过程中的状态监测信息，为开展柴油机故障诊断方法研究提供数据支撑。表柴油机技术指标犜 犪 犫 犾 犲犇 犻 犲 狊 犲 犾犲 狀 犵 犻 狀 犲狋 犲 犮 犺 狀 犻 犮 犪 犾犻 狀 犱 犻 犮 犪 狋 狅 狉 狊项目指标类型四冲程、直列、水冷、高压共轨尺寸 缸径行程 型号锡柴 共轨系统电控共轨净功率 额定功率 净重 （不含离合器、中冷器）额定转速（）进气形式增压中冷单缸气门数个点火顺序 压缩比 总排量 最大扭矩 最大马力 全负荷最低燃油功率（）适配范围 公路大中型人员运输车、以上中重型载重运输车第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 该实验台主要可分为柴油机系统和数据采集系统两个部分。实验台全景图如图所示，数据采集系统如图 所示。图柴油机状态监测实验台 图 数据采集系统 通过对柴油机的组成结构和功能进行分析，并结合其在使用和维修过程中的典型故障模式，在柴油机状态监测实验台开展预置故障实验（通过人为加工或者更换故障件的方式，对柴油机部件进行故障预置，来采集柴油机故障状态下的数据，并开展研究）。设置柴油机的典型故障模式如表所示。表柴油机预置故障模式犜 犪 犫 犾 犲犇 犻 犲 狊 犲 犾犲 狀 犵 犻 狀 犲狆 狉 犲 狊 犲 狋犳 犪 狌 犾 狋犿狅 犱 犲状态序号故障模式正常状态一缸失火二缸失火空气滤清器堵塞一缸失火和二缸失火空滤堵塞和一缸失火空滤堵塞和二缸失火在实际装备维修和抢修过程中，由于工作环境复杂恶劣，柴油机故障往往可能是多故障并发的，而非单一故障模式。因此，在预置故障模式时，一方面对单一故障模式进行了预置，另一方预置了种混合故障模式。如图 所示，通过断开气缸点火电源线来模拟该缸失火故障，加装进气外罩来模拟空气滤清器堵塞故障。图 柴油机故障预置图 通过数据采集系统对发动机缸盖振动信号进行采集，振动加速度传感器安装位置如图 所示，传感器主要参数如表所示。采样频率为，单次采样时间为，样本采样间隔为。经过数据采集实验，每种故障模式有 组数据，每组数据有个通道的数据，单次采样数据量为 。为了避免发动机从启动到稳定状态过程中带来的误差，选取每种状态第通道的后 组数据作为样本数据。图 振动加速度传感器安装位置 表振动加速度传感器主要参数犜 犪 犫 犾 犲犕犪 犻 狀狆 犪 狉 犪犿犲 狋 犲 狉 狊狅 犳狏 犻 犫 狉 犪 狋 犻 狅 狀犪 犮 犮 犲 犾 犲 狉 犪 狋 犻 狅 狀狊 犲 狀 狊 狅 狉性能参数取值灵敏度（）（）测量范围（）宽频带分辨率（）频率范围（）安装谐振频率 最大加速度值（）最大冲击值（）供电电源 供电电流 由于时域信号具有简单、直观和物理意义明确的特点，对柴油机各状态下的振动信号进行时域分析。截取每种故障模式样本的数据长度为 个采样点，得到柴油机各状态下的时域波形如图 所示。系统工程与电子技术第 卷图 种故障状态时域波形图 发动机缸盖振动信号呈现非线性、非平稳状态，且在运行过程中存在环境和各部件综合作用产生的复杂噪声干扰，因此对其进行故障诊断困难。从图 中的时域波形图可看出，不同故障模式下的振动信号波形复杂、幅值变化范围基本相同，从时域波形振幅上看并无明显差异，很难通过人工直接识别出各状态，因此单从时域信号波形分析很难实现发动机多种故障的有效诊断，需要更有效的故障信息提取和智能诊断方法。运用小波时频图 方法对上述柴油机的各状态进行识别。从柴油机每种状态数据中各取 个样本，每个样本长度为 个采样点，因此共得到 个样本。按照 的比例划分训练集和验证集，可以得到 个训练样本和 个验证样本，即每种状态样本数据包括 个训练样本和 个验证样本。对原始振动信号进行连续小波变换，将其表示为二维彩色小波时频图，为避免对分类结果造成影响，设置不显示坐标系、图例和空白部分，处理过后柴油机各状态下第一个样本的小波时频图如图 所示。图 种故障状态小波时频图 图 中，各状态虽然有一定的差异表现形式，但相似度较高，仅凭人工对各故障状态进行区分难度较大。因此，通过具有强大图像分类功能的 网络对各故障状态进行识别。首先，设置图片不显示图例、坐标系和空白部分。然后，对各时频图进行标准化处理，加快模型收敛。最后，在不影响识别率的前提下，网格规范化压缩处理时频图，将图片大小统一调整为 。综合考虑网络结构、计算机硬件水平和样本特征及第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 大小后，将 网络在训练时的参数配置为：批量处理大小为；学习率为 ；权重衰减为 ；丢弃率为；迭代次数为；输入图片大小为；分类类别数为；优化器为随机梯度下降；损失函数为交叉熵损失函数。从训练日志中提取实验结果并作图。将小波时频图 模型的训练结果与短时傅里叶变换 、小波时频图 以及小波时频图 模型的训练结果进行对比。得到各模型训练集和验证集的损失值和准确率随迭代次数变化的结果如图 所示，经 次迭代后的故障状态识别结果如表所示。图 不同模型的训练结果对比（实验室实测数据）（）表不同模型的准确率与损失值（实验室实测数据）犜 犪 犫 犾 犲犃犮 犮 狌 狉 犪 犮 狔犪 狀 犱犾 狅 狊 狊狏 犪 犾 狌 犲 狊狅 犳犱 犻 犳 犳 犲 狉 犲 狀 狋犿狅 犱 犲 犾 狊（犾 犪 犫 狅 狉 犪 狋 狅 狉 狔犿犲 犪 狊 狌 狉 犲 犱犱 犪 狋 犪）模型准确率训练集验证集损失值训练集验证集小波时频图 短时傅里叶变换 小波时频图 小波时频图 从图 和表中可以看出，除小波时频图 外，其他种故障状态识别模型在迭代 次后都已经收敛。在模型准确率与损失值方面，与其他种对比方法相比，本文所提小波时频图 方法在迭代时具有最快的收敛速度，在训练集和验证集上均具有最高的准确率和最低的损失值，性能最优。在训练稳定性方面，小波时频图 方法最优，准确率与损失值曲线总体较为稳定，而其他种对比方法均出现不同程度的波动。因此，与对比方法相比，小波时频图 故障诊断方法在识别准确率、损失值和稳定性方面均具有更为优异的表现。不同故障状态识别模型在验证集上的混淆矩阵如图 所示。从图 中可以发现，小波时频图、小波时频图 、短时傅里叶变换 和小波时频图 模型的故障状态识别效果逐渐提高。与其他方法相比，本文所提方法具有最优的柴油机故障诊断效果。其中，正常状态、二缸失火、空气滤清器堵塞以及空滤堵塞和一缸失火种状态的诊断准确率达到 ，一缸失火和二缸失火的诊断准确率为，空滤堵塞和二缸失火的诊断准确率为，一缸失火的诊断准确率为，可以有效区分易混淆的故障类型。系统工程与电子技术第 卷图 不同故障状态识别模型的混淆矩阵 为了验证小波时频图 方法的特征提取能力，提取 模型分类层网络的输出作为判别特征，通过适用于将高维数据可视化的狋分布随机邻域嵌入（，）非线性降维技术，对故障状态的识别结果进行三维立体可视化，得到训练集原始数据、验证集原始数据、训练集特征数据和验证集特征数据如图 所示。从图 中可以看出，小波时频图 方法具有优异的特征提取性能，在空间中各故障状态的特征具有明显的可分性。不同的故障状态类型在空间中分布在不同的位置，且表现出密集的聚簇性。第期刘子昌等：基于小波时频图与 的柴油机故障诊断方法 图 故障状态特征三维立体可视化 综上，本文所提柴油机故障诊断方法的有效性及优越性得到了验证。小波时频图 方法与其他对比方法相比能够有效提取故障特征，具有较高的诊断准确率。结束语本文以柴油机为工程研究背景，开展准确、高效的故障诊断方法研究，提出了一种更适用于柴油机的故障诊断方法：小波时频图 ，得出以下结论：（）该方法通过对使用振动加速度传感器采集到的原始振动信号进行连续小波变换得到小波时频图，对其预处理后，作为样本对 网络进行训练，得到柴油机故障诊断模型，从而实现柴油机各故障状态的识别。（）本文所提方法首次将 网络应用于柴油机故障状态识别领域。与传统方法相比，所提方法具有更好的识别精度及稳定性，对单一故障、混合故障等易混淆的故障类型均可以有效识别，且效果优于其他方法，在公开数据集和实验室的实测数据中，整体的故障诊断准确率分别达到了 和 。所提方法的有效性及优越性得到了验证。（）本文提出的小波时频图 方法可以为柴油机故障诊断提供理论与技术支撑，具有较好的工程应用前景。虽然本文的研究取得了一些进展，但由于实验条件有限，在柴油机故障预置实验中仅对燃油供给系统中几个典型的故障模式进行预置，下一步应当针对柴油机各分系统开展更全面的研究。参考文献，（）：，（）：，（），（）：，：，：，（）：，（）：，（）：，（）：白云杰，贾希胜，梁庆海基于和的柴油机混合故障诊断振动与冲击，（）：，（）：，沈虹，赵红东，梅检民，等基于高阶累积量图像特征的柴油机故障诊断研究振动与冲击，（）：，（）：沈虹，曾锐利，杨万成，等基于时频图像极坐标增强的柴油机故障诊断振动、测试与诊断，（）：，（）：，牟伟杰，石林锁，蔡艳平，等基于振动时频图像全局和局部特征融合的柴油机故障诊断振动与冲击，（）：，系统工程与电子技术第 卷 ，（）：，（）：侯召国，王华伟，周良，等基于改进深度残差网络的旋转机械故障诊断系统工程与电子技术，（）：，（）：马云飞，贾希胜，白华军，等基于一维参数优化的压缩振动信号故障诊断系统工程与电子技术，（）：，（）：，：，：，（）：，：，（）：，（）：，：卓德兵，曹晖基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别工程力学，（）：，（）：，（）：，（）：鄢仁武，林穿，高硕勋，等基于小波时频图和卷积神经网络的断路器故障诊断分析振动与冲击，（）：，（）：，：，：，：，（）：赵鸣宇基于 的跳频调制信号时频图像分类研究银川：宁夏大学，：，扶兰兰，黄昊，王恒，等基于 模型的玉米生长期分类农业工程学报，（）：，（）：魏毓辰基于机器学习的肾脏肿瘤 图像分类算法长春：吉林大学，：，：，：，：，：，：，：，：作者简介刘子昌（），男，博士研究生，主要研究方向为故障预测与健康管理。白永生（），男，讲师，博士，主要研究方向为故障预测与健康管理。李思雨（），男，博士研究生，主要研究方向为故障预测与健康管理。贾希胜（），男，教授，博士，主要研究方向为故障预测与健康管理。