Adaptive Wavelet Threshold Attention and Explainable Lightweight CNN for Strongly Time-Varying Fault Diagnosis and Feature Extraction Mechanism of Rotating Machinery

在工业世界中，工厂的轰鸣声往往是健康的象征，但它也是故障的语言。在巨大的齿轮箱和旋转的电机内部，微小的裂纹和磨损的齿牙在它们发出尖叫之前，就开始低声细语。对于工程师而言，挑战始终在于如何在机器本身的咆哮声中听到这些细语。当机器以恒定速度运行时，故障的声音是可预测的，就像稳定的鼓点。但在现实世界中，机器很少保持静止。它们不断加速、减速并改变负载。这种不断的波动会使故障的声音变得杂乱，使其在背景噪声中漂移并逐渐消失。传统的机器监听工具在处理这种情况时往往表现不佳；它们是为稳定条件设计的，当节奏发生变化时就会产生混乱，或者由于过于笨重复杂，无法安装在机器本身进行实时监听。

研究人员夏腾吉（Tengji Xia）和庞鹏飞（Pengfei Pang）开发了一种既敏锐又简单的全新监听方式。他们创建了一个数字系统，旨在充当一个高度调谐的耳朵，能够根据机器不断变化的速度进行自我调节，同时过滤掉工厂车间的静态噪声。他们在最近的研究中描述的方法，专注于一种足够轻量化、可以在小型嵌入式计算机上运行，但又足够强大到足以发现轴承和齿轮中隐藏故障的人工智能。通过结合一种理解声波拉伸与压缩的方法，以及一个明确知道何时忽略噪声的智能过滤系统，他们的系统可以捕捉到其他方法可能错过的故障，即使是在机器运行于复杂多变的工况下。

其工作的核心解决了长期困扰故障诊断的一个问题：即故障如何随着机器的加速或减速而变化。当轴承或齿轮损坏时，会产生特定的振动模式。然而，如果机器的速度不是恒定的，这种振动的频率就会发生偏移，就像救护车驶过时警笛音调的变化一样。旧的计算机模型通常使用固定设置来寻找这些声音，这意味着如果机器的速度比模型预期的稍微偏离了一点，它们可能会因此错过故障。为了解决这个问题，研究人员构建了一个不依赖固定设置的系统。相反，它使用了一种被称为“小波”（wavelet）的数学工具，这种工具非常擅长将复杂信号分解成各个部分，但他们使其具有了“自适应性”。这意味着系统可以学习并实时调整其内部设置，以追踪故障频率的偏移，从而确保即使在机器速度剧烈波动的情况下也绝不会丢失信号。

为了使该系统在现实世界中具有实用性，团队必须克服另一个障碍：复杂性。许多先进的诊断工具就像大型超级计算机；它们功能强大，但需要过多的能量和空间才能直接放置在工厂机器上。研究人员将他们的解决方案设计得非常“轻量化”，这意味着它消耗极少的计算资源。他们通过将系统简化为单层处理来实现这一点。他们没有堆叠许多复杂的计算层（这有时会模糊故障的微细细节），而是采用了一种直接、流线型的路径。这种设计使系统能够快速高效地处理数据，使其适用于安装在控制工业机械的边缘设备上，而无需依赖远程服务器进行运算。

他们成功的关键在于系统处理噪声的方式。在嘈isy的工厂环境中，微小裂纹的信号可能会被地板的振动或附近电机的嗡嗡声所淹没。研究人员在系统中加入了一个特殊的模块，充当动态守门员。该模块不断分析输入的声波，计算平均噪声水平和信号的变化。基于这些计算，它会设定一个移动阈值。如果一个声音峰值只是随机噪声，守门员就会将其忽略；但如果一个峰值符合故障模式，系统就会增强它，使微弱的信号在背景噪声中脱颖而出。这个过程是自动且持续进行的，允许系统在抑制干扰的同时增强真实的故障信号，这一能力在他们的测试中被证明至关重要。

团队在两个模拟真实工业环境的挑战性数据集上测试了他们的系统。第一个涉及一个速度不断变化的轴承平台，第二个涉及一个承受变化负载和速度的齿轮箱。在这些测试中，该系统与包括规模更大、更复杂的深度学习模型在内的多种先进方法进行了对比。结果令人瞩目。在噪声高到足以掩盖故障的条件下，新系统保持了极高的准确度，在齿轮箱数据中正确识别了 93.75% 的故障类型，在轴承数据上的表现甚至更高。相比之下，许多其他方法在噪声增加时性能显著下降。新系统还证明了其惊人的速度，分析数据所需的时间远少于竞争对手，这对于在故障导致崩溃前及时捕捉问题至关重要。

这项发现之所以特别可靠，不仅在于高准确率的数字，还在于证明了这种提升是真实的而非偶然。研究人员进行了严格的统计测试，将他们的系统与其他系统进行对比，结果显示，尤其是在噪声最大的条件下，性能差异具有显著性。他们还深入观察了模型的“黑盒”内部，以了解其运作机制。他们发现，自适应小波层成功学习了如何追踪变化的故障频率，而噪声过滤模块有效地清理了信号，使系统能够专注于真正的故障。这种内部透明度让工程师确信，该系统不仅仅是在猜测，而是真正遵循了机器振动的物理定律。

研究人员还展示了他们的系统可以部署在小型、低功耗设备上，这是工业应用领域的一大进步。通过保持模型的简单与高效，他们确保了运行该系统不需要昂贵的硬件。这意味着工厂可以将这些诊断工具直接安装在机器上，提供持续的、实时的健康检查，而无需沉重的基础设施。该系统处理强时变工况（即速度和负载不断波动的情况）的能力，填补了许多现有技术留下的空白，为在最动态、最困难的操作环境中进行可靠监控提供了可能。

最终，这项工作代表了我们对待机器健康方式的一种转变。它不再认为我们需要通过庞大、复杂的模型来解决复杂问题。相反，它表明一个经过精心设计、能够理解信号物理特性的精简系统，可以超越那些更沉重、更僵化的模型。通过结合追踪偏移频率的能力与智能自适应噪声滤波器，研究人员创造了一个既灵敏又具韧性的工具。对于那些依赖旋转机械连续运转的行业而言，这提供了一种全新的保障：一种即使在机器运行最混乱的状态下，也能听到最微弱故障预兆的方法，从而确保在小问题演变成灾难性故障之前完成维护。