基于小波变换和CNN的船用机械故障诊断.pdf

引用格式：引用格式：李从跃,胡以怀,沈威,等.基于小波变换和 CNN 的船用机械故障诊断J.中国测试，2024,50(3):183-192.LICongyue,HU Yihuai,SHEN Wei,et al.Fault diagnosis of marine machinery based on wavelet transform and CNNJ.ChinaMeasurement&Test,2024,50(3):183-192.DOI:10.11857/j.issn.1674-5124.2022040193基于小波变换和 CNN 的船用机械故障诊断李从跃1，胡以怀1，沈威1，崔德馨1，张成2，芮晓松2(1.上海海事大学商船学院，上海201306;2.招商局鼎衡造船有限公司，江苏扬州225217)摘要:针对船用机械故障特征自适应提取与智能化诊断问题，采用连续小波变换与卷积神经网络的船舶机械故障诊断方法。以船用风机为例，首先模拟船用机械不同故障并采集振动信号，通过连续小波变换将一维振动信号转化为特征图谱，其包含大量的时频信息。然后通过多次训练后，确定网络结构参数，建立卷积神经网络结构，将时频图作为卷积神经网络输入，挖掘更深层次的高度抽象的故障特征信息。最后在卷积神经网络的输出层接入 softmax 分类器，实现船用机械的故障诊断。实验结果表明：所提方法能准确识别故障类型，且具有较强的鲁棒性和泛化能力，诊断准确率可达 99.3%。与集成经验模态分解、极限学习机故障诊断方法相比，该方法有更高的诊断精度。关键词:连续小波变换;卷积神经网络;小波时频图;船用机械;故障诊断中图分类号:U664.5;TB9文献标志码:A文章编号:16745124(2024)03018310Fault diagnosis of marine machinery based on wavelet transform and CNNLICongyue1,HUYihuai1,SHENWei1,CUIDexin1,ZHANGCheng2,RUIXiaosong2(1.MerchantMarineCollege,ShanghaiMaritimeUniversity,Shanghai201306,China;2.ChinaMerchantsDinghengShipbuildingCo.,Ltd.,Yangzhou225217,China)Abstract:Aimingattheproblemofself-adaptiveextractionandintelligentdiagnosisofmarinemachineryfault features,a marine machinery fault diagnosis method using continuous wavelet transform andconvolutionalneuralnetworkisproposed.Takingmarinewindturbinesasanexample,firstly,differentfaultsof marine machinery are simulated and vibration signals are collected,and the one-dimensional vibrationsignalsareconvertedintofeaturemapsbycontinuouswavelettransform,whichcontainalargeamountoftime-frequency information.Then after several trainings,the network structure parameters are determined,theconvolutionalneuralnetworkstructureisestablished,andthetime-frequencygraphisusedastheinputoftheconvolutionalneuralnetworktominedeeperandhighlyabstractfaultfeatureinformation.Finally,thesoftmaxclassifierisconnectedtotheoutputlayeroftheconvolutionalneuralnetworktorealizethefaultdiagnosisofmarinemachinery.Theexperimentalresultsshowthattheproposedmethodcanaccuratelyidentifyfaulttypesandhasstrongrobustnessandgeneralizationability,andthediagnosticaccuracycanreach99.3%.Comparedwithintegratedempiricalmodedecompositionandextremelearningmachinefaultdiagnosismethods,this收稿日期:2022-04-28；收到修改稿日期:2022-06-29基金项目:上海市科技计划（20DZ2252300）作者简介:李从跃（1998-），男，山东德州市人，硕士研究生，专业方向为船舶动力装置智能故障诊断。通信作者:胡以怀（1964-），男，江苏高邮市人，教授，博士，研究方向为船舶动力装置振动分析、故障诊断、系统仿真及船舶新能源利用。第50卷第3期中国测试Vol.50No.32024年3月CHINAMEASUREMENT&TESTMarch,2024methodhashigherdiagnosticaccuracy.Keywords:continuouswavelettransform;convolutionalneuralnetwork;wavelettime-frequencymap;marinemachinery;faultdiagnosis0 引言船用旋转机械工作环境复杂，故障发生率高，轻则产生异常声响、振动加大、零件损坏，重则影响船舶航运安全。目前，船舶机械故障诊断的方法主要利用 EEMD、VMD 等对信号进行故障特征提取。如：但长林等1提出了 ICEEMDAN 样本熵与 SVM相结合的方法，实现了滚动轴承的故障诊断。蒋佳炜等2提出了小波包能量谱和模糊熵特征选择的方法，实现了船舶柴油机的故障诊断。蔡波等3提出 MEEMD 多特征融合与 LS-SVM 相结合的方法，实现了行星齿轮箱的故障诊断。以上方法效果较好，但只能提取一些浅层的特征信息，且船舶机械经常在变工况的条件下运转，信号往往呈非稳性、非线性特点，难以全面刻画特征信息。以深度学习理论为代表的 CNN 在机械故障诊断领域的研究和应用越来越受重视4。Hinton 等5首次提出了深度学习的概念，使深度学习成为了研究的主流。作为机器学习的分支，深度学习能够实现特征自适应提取，克服传统机器学习人为因素的不确定性，提高了故障诊断的准确性。近年来，深度学习在故障诊断领域应用较多，其中卷积神经网络是深度学习的代表。杨劼立等6通过最小熵解卷积与卷积神经网络相结合的方法，实现了滚动轴承的故障诊断。赵小强等7将采集到的样本点进行分段截取，构建为二维矩阵，然后输入到卷积神经网络进行特征提取与故障诊断。李俊等8将采集的信号进行分段得到了峭度指标，然后将其转化为灰度图，输入到卷积神经网络提取特征信息并进行故障诊断。Chen 等9将信号的均值、峭度等特征输入到卷积神经网络中来诊断齿轮箱故障。1D-CNN 与 2D-CNN 训练参数相比，1D-CNN的参数多且模型泛化能力差，导致训练速度和训练精度差。文献 10 通过实验验证了 1D-CNN 处理时频信号效果不如 2D-CNN 效果，且 1D-CNN 的感受野差，网络深度不足，在训练过程中存在过拟合，导致诊断精度降低。欲充分发挥二维卷积神经网络强大的图像处理能力，则需要将一维信号转化为二维时频图。目前，常用的时频分析方法主要有短时傅里叶变换、Wigner-Ville 分布及小波变换等。由于短时傅里叶变换使用固定短时窗函数，本质上为单一分辨率信号分析方法，难以兼顾非平稳信号时域和频域的良好分辨率。Wigner-Ville 分布虽分辨率较高，但各频率分量之间存在交叉项。小波变换为信号分析提供了新思路，在处理船舶机械非线性、非平稳性信号时，可对信号局部特征进行放大。此外，小波变换具有无冗余分解和准确重构的特点，能将故障信号的频带严格区分开，以对故障时频特征充分展现11。基于以上分析，将小波变换和二维卷积神经网络的方法引入船用机械故障识别中。通过连续小波变换，将原始信号转换为相应的时频图，利用卷积神经网络充分提取特征信息，进行船用机械故障诊断。1 基本理论1.1 卷积神经网络Lecun 等12首 次 提 出 卷 积 神 经 网 络(convolutionneuralnetwork,CNN)的概念，是应用广泛的深度学习技术。CNN 主要由卷积层、池化层(下采样)和 softmax 或 SVM 等分类器的全连接层构成13，CNN 结构如图 1 所示。CNN 多层特征检测层通过对原始二维信号逐层学习，不断将底层特征进行变换抽取以提取各层次不同的信号特征，最终形成高度抽象的分布式特征，以揭示隐藏在原始信号中的本质特点11。1.1.1卷积层卷积层由若干个卷积核累积而成，卷积核别称滤波器，为二维矩阵。卷积神经网络通常采用多卷积层结构，第一层卷积层只能提取一些低级的特征，经过多层卷积层处理，就能提取出更加复杂的特征14。卷积运算如下式所示：y=mk=1ni=1x(k,i)w(k,i)+b(1)ikik其中 和 分别表示第 个卷积层，第 个特征图，x代表输入数据，y代表卷积的输出，w和 b 代表卷积184中国测试2024年3月核的权值和偏置。图 2 为特征图 77，卷积核 33，步幅为 2 的二维卷积运算过程。2340279521315316741459151282026813475120711310251*213110312=49 39 4551 53 2930 33 22图 2 二维卷积计算过程1.1.2池化层池化层一般位于两层卷积层之间，其能够逐渐减小表达空间的尺寸，降低网络参数以及计算量，也能起到控制过拟合的作用15。池化层的计算主要包括在一定区域内求平均值或求最大值。图 3 为二维池化的计算过程。最大池化可以迅速手动计算数据特征，而平均池化则相对较慢。因此最大池化被普遍采用，其最大池化为：p(i,k)=max(j1)S+1 012,=00,0(5)a(,)式中：常数；和 控制小波时域和频域衰减的参数17。当 和 等于 2 时，morse 小波信号波形如图 4所示。3020100102030时间/s0.200.20.4模实部虚部01 0002 0003 0004 000频率/Hz00.51.01.52.0(b)频域图(a)信号波形图幅值/(ms2)幅值/(ms2)图 4 morse 小波图2 实例分析2.1 实验流程具体实验流程如图 5 所示。原始时域信号连续小波变换获取时频图网格化压缩处理训练集建立 CNN 初始化参数训练 CNN 模型特征提取与故障分类迭代周期+1否是达到精度要求?完成训练并保存CNN 架构验证集训练好的 CNN 架构特征提取与故障分类分析诊断结果图 5 实验流程图详细步骤如下：1）采集不同工况下的机械振动信号，建立初始化 CNN 参数。2）通过小波变换将采集的振动信号转化为时频图，并进行压缩处理。3）将训练集输入卷积神经网络中，对不同 CNN架构及超参数进行分析，确定理想的 CNN 结构。4）将测试集输入到已构建好的 CNN 模型中，进行特征提取与故障分类。2.2 采集数据以船用风机为例进行故障诊断实验，其由三相异步电动机驱动。船用风机参数如表 1 所示。表 1 船用风机参数工作参数数值额定电压380V额定电流4.6A额定转速1400r/min额定功率1100W额定频率50Hz分别模拟正常、风机叶片严重不平衡、风机底座螺栓松动、电机底座螺栓松动、风机堵转、叶片严重不平衡与电机底座螺栓松动结合故障、风机叶片轻微不平衡 7 种工况，对应编号为 0#6#。振动传感器型号为 CA5005，灵敏度为 10.20mV/g，测点布置如图 6 所示。采样频率为 1652Hz，采样时间为2s。采集各工况振动信号，每个工况采集 20 组数据，对各工况多次重复实验，共采集 2460 组数据。各工况时域波形图如图 7 所示。振动传感器图 6 传感器布置图观察图 7 可知，仅依据振动信号时域波形图很难判断风机处于哪种工况。将每组样本分割，以 1652 个采样点为一组样本，包含风机转动大约 70 圈的数据，所有工况共186中国测试2024年3月4920 组样本。A、B、C、D 表示不同的数据集组合。A 共 4000 组样本，B 共 2300 组样本，C 共 3000 组样本，D 共 1600 组样本，数据集如表 2 所示。2.3 时频分析将数据集进行小波变换得到时频图。限于篇幅，只给出部分工况特征图谱，采样时间 2s，01s 时频图如图 8 所示。表 2 实验数据集数据集训练样本测试样本A30001000B1500800C20001000D100060000.20.40.60.81.0时间/s00.20.40.60.81.0时间/s21012加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)加速度/(ms2)210123(a)0#工况00.20.40.60.81.0时间/s(c)2#工况00.20.40.60.81.0时间/s(e)4#工况00.20.40.60.81.0时间/s(g)6#工况00.20.40.60.81.0时间/s(f)5#工况00.20.40.60.81.0时间/s(d)3#工况(b)1#工况2101232101221012420241.00.500.51.0图 7 各工况下的时域波形图第50卷第3期李从跃，等：基于小波变换和 CNN 的船用机械故障诊断187时频图通过颜色的不同反映能量的大小，颜色越暖，则表明能量越大。时频图能够反映信号频率和时变特点，蕴含着丰富的时频细节信息。由图可知，各频率带之间无交叉项的干扰，在低频段时，频率分辨率较高；高频段时，时间分辨率较高。在正常工况下，振动冲击性较小，整个过程能量小且平稳，信号的随机性大，当风机发生故障后，低频段变化较小，500700Hz 的频带能量增加且集中，整个过程呈现非平稳性变化。随着故障程度加深，信号能量逐渐增强且波动时间短。在图中不同工况的同一频率段在颜色和纹理特征上的差异明显，但仅凭肉眼是无法对故障进行识别的，引入深度学习的方法，将特征图谱作为 CNN 的输入，即故障识别问题转化为图像智能化分类问题。2.4 卷积神经网络结构与故障识别2.4.1CNN 架构网络层数对 CNN 的构建至关重要，若层数过少，则 CNN 不能处理复杂问题；若层数过多，则易产生过拟合现象。参考前期研究学者研究较好的CNN 模型，选用以下 5 种方案，对训练样本进行训练，验证样本的诊断准确率如表 3 所示。考虑到网络的轻量化及诊断准确率，本文选用 2 层卷积和 2层池化架构。在卷积层后加入 BatchNormalization层增强 CNN 学习能力，有效防止过拟合。为避免梯度消失及加快网络收敛速度，在池化层和全连接层后加入 ReLu 激活函数层。表 3 不同网络结构对比编号方案准确率/%12卷积层+3池化层96.822卷积层+2池化层98.433卷积层+4池化层90.344卷积层+4池化层88.655卷积层+5池化层80.1采用 10 折交叉验证对 CNN 超参数进行选择，主要包含卷积核大小、数量及步幅、池化层大小和步幅以及迭代轮次等。为简化选参流程，对超参数范围进行了设定，选择范围如表 4 所示。采用坐标下降法在每次迭代中针对某一个参数进行一维搜索18。限于篇幅，只列出部分超参数的识别结果，平均诊断准确率如表 5 所示，最终确定的最优超参数如表 6 所示。将小波时频图去除周围文字和能量条，压缩处理为 64643 像元格式，输入到 CNN 进行特征提取和故障分类。采用 Adam 优化器训练 CNN 网络，初始学习效率为 0.001，批量大小为 50，交叉熵作为损失函数，训练样本为 1500，验证样本 500，训练过程如图 9 所示。由图可看出，随着迭代次数的增加，600400200频率/Hz能量能量能量能量00.20.40.60.8时间/s0.40.20600400200频率/Hz00.20.40.60.8时间/s2.52.01.51.00.5(a)0#工况(b)2#工况600400200频率/Hz00.20.40.60.8时间/s(c)4#工况2.01.51.00.500.20.40.60.8时间/s(d)5#工况600400200频率/Hz1.21.00.80.60.40.2图 8 01 s 小波变换时频图188中国测试2024年3月训练集和验证集准确率逐渐升高，损失函数值不断减小，训练集可达到 100%，验证集接近 100%，损失函数降至 0，且 CNN 网络没有发生过拟合，收敛速度较快，训练效果优越。04008001 2001 6002 000迭代次数050100训练集验证集0510损失函数训练集验证集准确率/%(a)诊断准确率变化图像04008001 2001 6002 000迭代次数(b)损失函数变化图像图 9 训练过程2.4.2故障识别各数据集分类结果如表 7 所示。在充足的样本情况下，数据集 A 准确率可达到 99.3%，即便数据集 D 的训练样本是 A 的 1/3，但诊断准确率可以达到 96%以上。所提方法在样本不足的情况下也具有较高的准确率，充分体现了泛化能力。为了说明此方法的有效性，将验证集诊断结果用混淆矩阵表示，如图 10 所示。1#、4#、5#、6#工况表 4 参数选择范围名称参数可选范围时频图3232；6464；128128Conv_122/s=1；55/s=2；33/s=1Maxpooling_133/s=2；11/s=1；22；s=2Conv_255/s=1；33/s=1Maxpooling_233/s=2；22，s=2InitialLearnRate0.1；0.01；0.001MiniBatchSize50；100；120MaxEpochs10；20；30表 5 被试的超参数识别结果方案超参数平均诊断准确率/%13232；22/s=1；11/s=1；33/s=1；22，s=2；0.1；100；1066.826464；55/s=2；33/s=2；33/s=1；22，s=2；0.01；50；2082.63128128；55/s=2；22；s=2；77/s=2；22，s=2；0.01；120；2074.246464；22/s=1；33/s=2；33/s=1；33/s=2；0.001；50；2098.856464；55/s=2；22；s=2；33/s=1；22，s=2；0.01；50；1078.66128128；22/s=1；33/s=2；33/s=1；22，s=2；0.01；100；3086.5表 6 CNN 参数名称结构参数输出特征图大小imageinput6464364643conv_132223，步幅=11676732batchnorm_132个通道676732maxpool_133最大池化，步幅=22333332relu_1ReLu333332conv_2323332，步幅11353532batchnorm_232个通道353532maxpool_233最大池化，步幅=22171732relu_2ReLu171732fc_1100全连接层11100relu_3ReLu11100fc_27全连接层117softmaxSoftmax117classoutput分类输出117第50卷第3期李从跃，等：基于小波变换和 CNN 的船用机械故障诊断189可以全部识别成功，0#工况有 10 组样本被错误分类，2#工况中有 13 组样本被错误分类，3#工况有12 组样本被错误分类，整体准确率保持在 99.3%。错误分类的原因可能是不同工况下抽取片段的特征信息比较相近，造成误判。预测类别0#1#2#3#4#5#6#0#1#2#3#4#5#6#实际类别1 19024.2%00.0%10.0%90.2%00.0%00.0%00.0%99.2%0.8%00.0%80016.3%00.0%00.0%00.0%00.0%00.0%100%0.0%00.0%00.0%3877.9%130.3%00.0%00.0%00.0%96.8%3.2%80.2%00.0%40.1%70814.4%00.0%00.0%00.0%98.3%1.7%00.0%00.0%00.0%00.0%80016.3%00.0%00.0%100%0.0%00.0%00.0%00.0%00.0%00.0%4008.1%00.0%100%0.0%00.0%00.0%00.0%00.0%00.0%00.0%60012.2%100%0.0%99.3%0.7%100%0.0%98.7%1.3%97.0%3.0%100%0.0%100%0.0%100%0.0%99.3%0.7%图 10 混淆矩阵2.4.3方法的适应性在对船舶进行故障诊断时，考虑噪声信号是十分必要的。在原始信号中加入不同信噪比的噪声，诊断结果如表 8 所示。由表可知，当原始信号中加入信噪比为 4060dB 噪声时，CNN 仍然可保持较高的诊断准确率。由此可见，所设计的 CNN 结构具有较强的鲁棒性，其原因是小波变换分解振动信号时，选择 03240Hz 部分频率段进行信号分析，且卷积层和池化层具有滤波作用。2.4.4不同诊断方法对比为了进一步说明所提方法的有效性，采用多尺度 时 域 平 均 分 解 法（multiscale time-domainaveraging decomposition,MTAD）、ELM 模 型、EEMD-SVM 进行诊断实验，结果如图 11 所示。由图可知，CNN 诊断准确率高于其他方法。多尺度时域平均分解法是人为提取特征信息难免会造成遗漏，此外原始信号中不可避免地夹杂着噪声信号，且ELM 隐含层初始参数具有随机性，会影响 EEMD和 ELM 诊断准确率。在图 10 中 CNN 方法将 2#错分到 3#的样本最多，对比其他方法，诊断准确率依然很高，所提方法可更有效提取故障特征信息，并能保证较高的诊断准确率。3 结束语本文通过小波变换将一维振动信号转化为二维时频图，采用 CNN 实现了机械故障的定位。主要工作结论如下：1）通过小波变换对非线性、非稳定性的振动信号进行时频分析，充分发挥了小波变换能够兼顾时域和频域、多尺度细节化及动态分析的优势。2）时频图包含的频率、颜色和纹理特征等信息对不同工况有着紧密联系，将统计学特征转化为图像特征，利用了二维卷积神经网络强大的图像处理能力。3）实验结果表明，所提方法在测试精度、鲁棒性和泛化能力等方面均优于传统机器学习故障诊断表 7 识别准确率数据集准确率/%A99.3B97.7C98.5D96.4表 8 噪声干扰下诊断结果信噪比/dB故障类型验证样本准确率/%601#15099.32#15094.73#15096.04#15099.35#1501006#150100501#15099.32#15096.63#15099.34#15098.65#15097.36#15099.3401#15098.62#15097.33#15098.04#1501005#1501006#15098.6190中国测试2024年3月方法。4）该方法可为轮机管理人员提供技术参考，以便促使船舶故障诊断由传统机器学习逐渐向深度学习转化。需说明的是，CNN 结构参数需经过多次调试才可获得最佳的诊断效果，在接下来的研究工作中，将侧重于 CNN 结构参数设置策略。参考文献 但长林,李三雁,张彬.基于样本熵和 SVM 的滚动轴承故障诊断方法研究J.中国测试,2020,46(11):37-42.DAMCL,LISY,ZHANGB.Researchonfaultdiagnosis1methodforrollingelementbearingsbasedonsampleentropyandSVMJ.ChinaMeasurementTest,2020,46(11):37-42.蒋佳炜,胡以怀,柯赟,等.基于小波包特征提取和模糊熵特征选择的柴油机故障分析J.振动与冲击,2020,39(4):273-277,298.JIANGJW,HUYH,KEY,etal.Faultdiagnosisofdieselengines based on wavelet packet energy spectrum featureextractionandfuzzyentropyfeatureselectionJ.JournalofVibrationandShock,2020,39(4):273-277,298.2蔡波,黄晋英,杜金波,等.基于 MEEMD 多特征融合与 LS-SVM 的行星齿轮箱故障诊断J.中国测试,2021,47(9):126-132.CAIB,HUANGJY,DUJB,etal.Planetarygearboxfaultdiagnosis based on MEEMD multi-feature fusion and LS-SVMJ.ChinaMeasurementTest,2021,47(9):126-132.3汪祖民,张志豪,秦静,等.基于卷积神经网络的机械故障诊断技术综述J.计算机应用,2022,42(4):1036-1043.WANG Z M,ZHANG Z H,QIN J,et al.Review ofmechanicalfaultdiagnosistechnologybasedonconvolutionalneuralnetworkJ.JournalofComputerApplications,2022,42(4):1036-1043.4HINTON G E,OSINDERO S,TEH Y W.A fast learningalgorithmfordeepbeliefnets.J.Neuralcomputation,2006,18(7):1527-1554.5杨劼立,林建辉,谌亮.基于 MED 辅助特征提取 CNN 模型的列车轴承故障诊断方法J.中国测试,2020,46(10):124-129.YANGJL,LINJH,CHENL.FaultdiagnosismethodfortrainbearingsbasedonMED-assistedfeatureextractionCNNmodelJ.ChinaMeasurementTest,2020,46(10):124-129.6赵小强,张青青.改进 Alexnet 的滚动轴承变工况故障诊断方法J.振动、测试与诊断,2020,40(3):472-480,623.ZHAO X Q,ZHANG Q Q.Improved alexnet based faultdiagnosis method for rolling bearing under variableconditionsJ.Journal of Vibration,Measurement Diagnosis,2020,40(3):472-480,623.7李俊,刘永葆,余又红.卷积神经网络和峭度在轴承故障诊断中的应用J.航空动力学报,2019,34(11):2423-2431.LIJ,LIUYB,YUYH.ApplicationofconvolutionalneuralnetworkandkurtosisinfaultdiagnosisofrollingbearingJ.JournalofAerospacePower,2019,34(11):2423-2431.8CHEN Z Q,LI C,SANCHEZ R V.Gearbox faultidentification and classification with convolutional neuralnetworksJ.ShockandVibration,2015(2):1-10.9肖雄,王健翔,张勇军,等.一种用于轴承故障诊断的二维卷积神经网络优化方法J.中国电机工程学报,2019,39(15):4558-4568.XIAOX,WANGJX,ZHANGYJ,etal.Atwo-dimensionalconvolutionalneuralnetworkoptimizationmethodforbearing100123456预测类别0123456实际类别0.012 50.930.9950.707 50.469 40.378 700.07500.967 50000.002 50000.082 500.001 25000.005 8330.0050.107 50.518 10.001 2500.031 670.026 6700.082 500.618 80000.008 75000000.043 750.020.012 500.002 500.20.40.60.8准确率 76.0%(a)EEMD-SVM 混淆矩阵(b)ELM 混淆矩阵(c)MTAD-SVM 混淆矩阵0123456预测类别0123456实际类别准确率 81.2%00.2150.362 50.182 500.06000.001 3890.001 250.027 50.008 3330.129 20.0050.034 720.1500.010.017 500.012 50.6000.003 3330.020 8300.0050.001 3890.666 300.001 66700.0025000000.002 50.012 50000.832 50.990.7550.972 50.916 700.20.40.60.80123456预测类别0123456实际类别准确率准确率准确率准确率 91.6%00.212 50.250.002 500.011 670000000.0016 6700.660.004 1670000.003 33300.0450.727 8000.001 6670.048 330.001 250.060.001 3890000000000.0050.022 50.016 670.001 2500.946 70.993 80.996 210.986 700.20.40.60.81.0图 11 其他方法诊断结果第50卷第3期李从跃，等：基于小波变换和 CNN 的船用机械故障诊断191fault diagnosisJ.Proceedings of the CSEE,2019,39(15):4558-4568.陈仁祥,黄鑫,杨黎霞,等.基于卷积神经网络和离散小波变换的滚动轴承故障诊断J.振动工程学报,2018,31(5):883-891.CHENRX,HUANGX,YANGLX,etal.RollingbearingfaultidentificationbasedonconvolutionneuralnetworkanddiscretewavelettransformJ.JournalofVibrationEngineering,2018,31(5):883-891.11LECUN L,BOTTOU Y,BENGIO P H.Gradient-basedlearningappliedtodocumentrecognitionJ.ProceedingsoftheIEEE,1998,86(11):2278-2324.12赵小强,张亚洲.利用改进卷积神经网络的滚动轴承变工况故障诊断方法J.西安交通大学学报,2021,55(12):108-118.ZHAO X Q,ZHANG Y Z.Improved CNN-based faultdiagnosismethodforrollingbearingsundervariableworkingconditionsJ.Journal of Xian Jiaotong University,2021,55(12):108-118.13谢旭阳,余刃,王天舒,等.基于卷积神经网络和迁移学习的电动泵故障诊断方法研究J.兵器装备工程学报,2021,42(7):239-245.XIEXY,YUR,WANGTS,etal.Faultdiagnosismethodforelectric pump based on convolutional neural network andtransferlearningJ.JournalofOrdnanceEquipment14Engineering,2021,42(7):239-245.吴定海,任国全,王怀光,等.基于卷积神经网络的机械故障诊断方法综述J.机械强度,2020,42(5):1024-1032.WU D H,REN G Q,WANG H G,et al.The review ofmechanical fault diagnosis methods based on convolutionalneural networkJ.Journal of Mechanical Strength,2020,42(5):1024-1032.15刘宁,刘四新,奚佳欣,等.基于 S 变换的简支梁结构损伤检测方法研究J.振动与冲击,2018,37(9):161-167,172.LIUN,LIUSX,XIJX,etal.Damagedetectionmethodforsimply supported RC beams based on S transformationJ.JournalofVibrationandShock,2018,37(9):161-167,172.16王超,毛羚.基于 VMD 和广义 Morse 小波的结构瞬时频率识别J.振动、测试与诊断,2020,40(5):957-962,1026.WANG C,MAO L.Shock resistance of vibration isolationsystemwithhydraulicdisplacementJ.JournalofVibration,MeasurementDiagnosis,2020,40(5):957-962,1026.17褚亚奇,朱波,赵新刚,等.基于时空特征学习卷积神经网络的运动想象脑电解码方法J.生物医学工程学杂志,2021,38(1):1-9.CHUYQ,ZHUB,ZHAOXG,etal.Convolutionalneuralnetworkbasedontemporal-spatialfeaturelearningformotorimageryelectroencephalogramsignaldecodingJ.JournalofBiomedicalEngineering,2021,38(1):1-9.18(编辑:商丹丹)192中国测试2024年3月