摘要：傳統(tǒng)的旋轉機械故障診斷方法在多尺度時序特征提取方面存在局限性，難以全面捕捉復雜故障特征。針對此問題，文章提出一種基于時序特征二次提取的故障診斷方法。首先，該方法通過對振動信號進行時間片劃分，構建多尺度滑動窗口，生成特征矩陣。其次，利用 LSTM （長短期記憶網(wǎng)絡）并行地從不同尺度上提取特征，并將這些特征向量進行拼接。最后，采用 SVM （支持向量機）對拼接后的特征向量進行分類，以實現(xiàn)高效且準確的故障診斷。在實驗中，選用 HUST （華中科技大學）軸承數(shù)據(jù)集驗證該方法的有效性。實驗結果表明，該方法在該數(shù)據(jù)集上實現(xiàn)了99.89%的高準確率，顯著優(yōu)于傳統(tǒng)的直接診斷方法和單尺度特征提取方法，充分驗證了其在實際應用中的可行性。

關鍵詞：時序特征；特征提??；旋轉機械；故障診斷；集成學習

中圖分類號：TK05" " "文獻標識碼：A" " "文章編號：1674-0688（2024）11-0008-07

0 引言

旋轉機械在發(fā)電、石化、航空航天和制造等工業(yè)領域中被廣泛應用，對設備的平穩(wěn)運行至關重要。然而，由于工作環(huán)境通常較為惡劣，旋轉機械易出現(xiàn)軸承損壞、齒輪磨損、不平衡等故障。若這些故障未能得到及時檢測，可能會導致設備效率下降、停機時間延長，甚至引發(fā)安全事故［1-2］。因此，實現(xiàn)準確且快速的故障診斷是確保工業(yè)設備安全運行的關鍵問題。傳統(tǒng)的故障診斷方法主要基于振動信號分析，包括時域分析、頻域分析及時頻域分析等方法。溫翔采等［3］的研究結合了時頻域特征和樸素貝葉斯算法，利用局部均值分解處理信號，提取特征后進行降維，最終運用樸素貝葉斯模型進行故障診斷。張利慧等［4］針對風電機組滾動軸承的復雜工作環(huán)境，采用包含33項時頻域特征參數(shù)的方案，并結合奇異值分解降噪與經驗模式分解的希爾伯特-黃變換技術，篩選出低頻故障信號，實現(xiàn)了滾動軸承的狀態(tài)監(jiān)測與故障識別。然而，這些方法依賴于人工特征提取和專家經驗，在處理單一信號時可能表現(xiàn)良好，但在面對復雜特征的多通道信號時，診斷的準確性易受影響。

隨著機器學習和深度學習技術的不斷發(fā)展，數(shù)據(jù)驅動的方法逐漸占據(jù)主導地位，其中LSTM 因其出色的時序建模能力，在故障診斷領域得到了廣泛應用。呂云開等［5］為解決小樣本數(shù)據(jù)條件下深度學習故障診斷面臨的欠擬合和低準確率問題，提出了一種結合SNN （孿生神經網(wǎng)絡）與LSTM的軸承故障診斷方法，通過比較振動信號樣本的相似度擴充訓練樣本集，并利用共享的特征提取網(wǎng)絡參數(shù)以及卷積、池化、LSTM層提取特征；Tang等 ［6］針對旋轉機械在不同工作條件下故障診斷時標簽信號難以收集的問題，提出了EGR-STLSTM方法，利用熵增益比評估特征的重要性，通過半監(jiān)督可遷移LSTM進行預訓練，并利用遷移學習策略，僅需少量目標標簽樣本即可實現(xiàn)高性能的故障診斷，降低了對大量標簽樣本的依賴。然而，LSTM 在多尺度時序特征提取方面仍存在局限性，難以全面捕捉旋轉機械復雜故障的特征?；谏鲜鲅芯勘尘?，本文提出了一種基于時序特征二次提取的故障診斷方法，該方法結合了多尺度滑動窗口特征提取和 LSTM 并行處理技術，實現(xiàn)了對旋轉機械的高效診斷。

1 故障診斷技術概述

旋轉機械故障診斷是一個多學科交叉的領域，涉及機械工程、信號處理和數(shù)據(jù)分析等多個方面。隨著數(shù)據(jù)驅動方法的興起，特別是深度學習技術的迅速發(fā)展，故障診斷技術在理論和實踐層面均取得了顯著進展。

1.1 旋轉機械故障診斷的傳統(tǒng)方法

旋轉機械故障診斷的傳統(tǒng)方法主要依賴于對振動信號的分析，這些方法大致可分為時域分析、頻域分析和時頻域分析三類。時域分析通過計算信號的統(tǒng)計特征識別故障，操作簡單，但難以捕捉頻率信息及早期微弱故障特征。頻域分析則使用傅里葉變換將信號轉換為頻域，依據(jù)頻譜特征進行診斷，適用于周期性故障檢測，但在處理非平穩(wěn)信號時效果有限。為解決非平穩(wěn)信號的局限性，時頻域分析（如小波變換和短時傅里葉變換）應運而生，該類方法結合了時域和頻域的信息，能更好地識別突發(fā)故障，但其效果依賴于小波基的選擇，增加了分析的復雜性［7］。傳統(tǒng)方法在故障診斷中得到了廣泛應用，但因其依賴于人工特征提取，故難以充分利用大數(shù)據(jù)集的優(yōu)勢。隨著機器學習技術的發(fā)展，數(shù)據(jù)驅動的故障診斷方法為復雜信號處理和自動化特征提取提供了新途徑。

1.2 深度學習與時序數(shù)據(jù)處理

近年來，深度學習憑借其強大的自動特征提取能力和良好的泛化性能，已成為旋轉機械故障診斷領域的主流方法。對于復雜的多通道振動信號數(shù)據(jù)，深度學習不需要借助人工干預即可自動地從大規(guī)模數(shù)據(jù)中提取有效特征。

卷積神經網(wǎng)絡（CNN）最初應用于視覺領域，但近年來也廣泛應用于時序信號處理。通過將振動信號轉化為二維時頻圖（如小波圖或短時傅里葉變換圖），CNN 能夠提取故障信號的空間模式。然而，CNN缺乏捕捉時間依賴信息的能力，難以有效捕捉長時間信號的變化［8-9］。

長短期記憶網(wǎng)絡（LSTM）作為特殊的循環(huán)神經網(wǎng)絡（RNN），通過其獨特的門控機制能有效捕捉長時間依賴，解決了傳統(tǒng) RNN 的梯度消失問題。研究表明，LSTM 能從多通道振動信號中提取時間序列特征，處理長時間歷史數(shù)據(jù)，特別適用于旋轉機械的非平穩(wěn)信號分析［10］。LSTM 的記憶單元能夠自動學習信號的長期依賴關系，在較長時間范圍內跟蹤信號變化并提取深層特征，從而實現(xiàn)更為準確的故障預測。

盡管 LSTM在處理時序數(shù)據(jù)方面效果良好，但是在多尺度時序特征提取上仍存在局限性。針對不同尺度的信號特征，如何高效地整合多尺度信息，仍是當前亟待解決的問題。

1.3 二次特征提取與多尺度特征提取

特征提取是旋轉機械故障診斷中的核心問題之一。近年來，多尺度特征提取和二次特征提取方法逐漸受到重視，并在復雜時序數(shù)據(jù)處理方面取得了顯著成效。

多尺度特征提取借鑒圖像處理領域的思路，通過應用不同尺度的濾波器或滑動窗口，能夠在多尺度上提取信號的局部和全局特征［11］。在時序數(shù)據(jù)中，多尺度滑動窗口利用不同大小的窗口提取特征矩陣，從而捕捉到不同頻率和周期的變化模式，特別適用于處理多通道時序信號的復雜特性。

二次特征提取則是對初始特征矩陣進行再次處理，以提取更深層次的特征。這種方法通常用于深度學習模型的中間層，尤其在捕捉復雜時序數(shù)據(jù)的深層次依賴關系時具有顯著優(yōu)勢。基于 LSTM 的并行二次特征提取方法能同時處理多尺度時序數(shù)據(jù)，從而顯著提升故障診斷的準確性。

綜上所述，多尺度特征提取和二次特征提取為處理復雜時序信號提供了新思路。結合 LSTM 的時間依賴建模能力，這些方法能有效捕捉旋轉機械振動信號中的多層次特征，提升故障診斷的性能。

2 方法架構

本文提出的基于時序特征二次提取的旋轉機械故障診斷方法，旨在通過多尺度滑動窗口特征提取、多通道LSTM并行處理以及支持向量機（SVM）分類器的應用，實現(xiàn)對旋轉機械故障的高效診斷。該方法結合了深度學習的時序特征提取能力與傳統(tǒng)機器學習分類器的穩(wěn)健性，有效提高了復雜多通道振動信號的故障檢測精度。該方法的總體架構設計（圖1）包括以下步驟：時間片劃分、多尺度滑動窗口特征提取、數(shù)據(jù)標準化處理、LSTM并行二次特征提取、特征向量拼接以及SVM分類。

2.1 數(shù)據(jù)預處理

2.1.1 時間片劃分

在旋轉機械故障診斷中，鑒于信號的非平穩(wěn)性、局部突變以及復雜的故障模式，對完整信號進行時間片劃分顯得尤為重要。時間片劃分有助于精準捕捉信號的局部特征，確保短暫故障特征不被長時段正常數(shù)據(jù)所掩蓋。同時，劃分后的信號段具有更高的平穩(wěn)性，便于進行準確的特征提取。此外，時間片劃分還能提升計算效率，便于實現(xiàn)并行處理；而生成的多個樣本則進一步豐富了數(shù)據(jù)集，增強了模型的泛化能力和故障檢測的敏感性。為確保每個時間片能夠捕捉到故障信號的完整特征，一個時間片至少需要覆蓋軸承旋轉一圈的時間。若軸承旋轉速度為V（Hz），數(shù)據(jù)采集時的采樣頻率為F（Hz），則軸承旋轉一圈所包含的時間步為T可通過計算得出：

2.1.2 數(shù)據(jù)標準化

初步特征提取后，由于各信號特征的計算方式不同，導致數(shù)據(jù)尺度存在差異。這種尺度的不一致會顯著影響分類器的性能。為了消除不同信號特征之間的尺度差異，本文對每個信號的特征進行了標準化處理，使處理后的數(shù)據(jù)均值為0，方差為1，從而優(yōu)化模型的訓練效果。標準化方法如下：

其中： f表示一個特征中的一個樣本，[μ]、s分別表示該特征中所有樣本的均值和標準差，fs表示f標準化后的結果。

2.2 多尺度滑動窗口特征提取

2.2.1 振動信號特征提取

直接從海量的原始信號數(shù)據(jù)中進行分類是一項較為困難的任務，因此，通常的做法是先對信號數(shù)據(jù)進行特征提取，以提高數(shù)據(jù)的利用率和模型的分類效果。常見的操作方法是提取每個時間片中各個信號通道的特征，隨后將這些通道的特征拼接成一個完整的特征向量。模型通過分析這一特征向量判斷時間片的類型。時序數(shù)據(jù)的特征主要包括時域特征、頻域特征和時頻域特征。例如，常用的時域特征包含最大值、均值、峰峰值等14個特征，其公式定義見表1；頻域特征則包括重心頻率、均方根頻率等4個特征，其公式定義見表2［12］；此外，還包括通過3層小波包分解得到的8個頻段的能量百分比，總共26個特征。若信號通道數(shù)為 c，則最終得到的總特征數(shù)將為 26× c個。

2.2.2 滑動窗口特征提取

簡單特征提取雖然能夠提升數(shù)據(jù)利用率并簡化分類過程，但是卻忽略了數(shù)據(jù)本身的時序性，難以有效捕捉信號的動態(tài)特征。為克服這一局限，滑動窗口特征提取方法應運而生。該方法在時間片內設置窗口，并逐段進行提取特征：每次從當前窗口內提取特征向量后，窗口會移動至下一個位置繼續(xù)提取特征，直至時間片末尾。最終，將所有提取的特征向量拼接成一個特征矩陣，以表達時間片中信號隨時間變化的動態(tài)特征?；瑒哟翱谔卣魈崛×鞒虉D見圖2。

然而，使用單一尺度的滑動窗口進行特征提取存在局限性，無法全面捕捉信號的多樣性特征。具體而言，小窗口雖然能容易地捕捉到信號的快速變化，具有較高的時間分辨率，但是其頻率分辨率相對較低，難以有效分離不同的頻率成分；相反，大窗口則能提供較高的頻率分辨率，適用于分析慢變和周期性信號，但其時間分辨率較低。由于單一尺度的窗口僅能關注某一特定的時間或頻率范圍，因此難以同時兼顧短時與長時、快變與慢變的特征，這會對診斷的準確性產生不利影響。為了解決這一問題，多尺度滑動窗口特征提取成為一種有效的改進方法。

2.2.3 多尺度滑動窗口特征提取

多尺度滑動窗口技術是在滑動窗口特征提取的基礎上進一步發(fā)展的，它能夠在不同的時間尺度上生成多種規(guī)格的特征矩陣。每個時間尺度對應著不同長度的滑動窗口，用于提取振動信號在特定時間段內的局部特征。

在多尺度滑動窗口技術中，窗口的設計至關重要。窗口越大，捕捉到的特征就越接近全局特征；而窗口越小，則越能反映信號的局部變化。本文提出采用3個不同尺度的窗口進行特征提?。阂粋€小窗口，用于輕易地捕捉快速變化的特征；一個大窗口，用于更精確地分析信號的頻譜特征；以及一個中等大小的窗口，作為前兩者的折中，旨在平衡快速變化與全局頻譜分析兩方面的需求。僅使用中等大小的窗口雖然能在一定程度上滿足這兩方面的要求，但是難免會存在一定的信息損失。因此，本文進一步引入了小窗口和大窗口，以彌補在快速變化捕捉和全局頻譜分析方面可能存在的信息缺失。

2.3 LSTM模型的二次特征提取

2.3.1 LSTM網(wǎng)絡結構

在故障診斷任務中，LSTM能夠從時序數(shù)據(jù)中有效地提取復雜的時間特征。因此，本文選擇采用LSTM網(wǎng)絡進行多尺度特征的二次提取。LSTM是一種特別針對時序數(shù)據(jù)設計的遞歸神經網(wǎng)絡。通過引入“記憶單元”和“門控機制”（ 包括輸入門、遺忘門和輸出門），它能夠高效地捕捉長時間依賴關系，從而避免了傳統(tǒng)遞歸神經網(wǎng)絡中的梯度消失問題［13］。LSTM的基本記憶單元結構見圖3，其中Ct-1為前一時刻的單元狀態(tài)，ht-1為前一時刻LSTM的輸出值，xt為當前時刻LSTM的輸入值，Ct為當前時刻的單元狀態(tài)，ht為當前時刻LSTM的輸出值，tanh和sig分別表示tanh激活函數(shù)和sigmoid激活函數(shù)。這些記憶單元相互連接，共同構成完整的LSTM網(wǎng)絡。

為了深入挖掘更深層次的時序特征，通?？梢栽O置多層LSTM網(wǎng)絡。通過堆疊多層LSTM，上層網(wǎng)絡能夠進一步分析下層網(wǎng)絡所提取的隱藏特征，從而挖掘出更深層次的特征。一個典型的兩層LSTM網(wǎng)絡結構見圖4。最終，該網(wǎng)絡會輸出最上層網(wǎng)絡中最后一個時間步的隱藏狀態(tài)，作為網(wǎng)絡特征提取的結果。

2.3.2 LSTM并行處理

多尺度滑動窗口提取的特征矩陣具有不同的尺寸規(guī)格，本文為每個規(guī)格的特征矩陣分別分配了一個LSTM模型，并實現(xiàn)了這些模型的行處理。在這種并行處理架構下，每個LSTM網(wǎng)絡能夠專注于處理其對應時間尺度下的特征，從而有效地捕捉多層次的時間依賴信息。具體而言，每個LSTM模型接收與其對應尺度的特征矩陣作為輸入數(shù)據(jù)，并經過若干個LSTM層的處理，最終輸出一個特征向量。不同的LSTM模型分別處理不同規(guī)格的特征矩陣，并生成多個特征向量，這些特征向量隨后被用于后續(xù)的特征拼接過程。LSTM二次時序特征提取流程圖見圖5。

2.4 支持向量機分類

SVM是一種用于分類和回歸的監(jiān)督學習算法，尤其擅長處理高維數(shù)據(jù)。它通過尋找樣本間的最優(yōu)超平面來最大化不同類別之間的間隔，從而增強模型的泛化能力［14］。SVM算法能夠靈活選擇不同的核函數(shù)，如線性核、RBF 核（徑向基函數(shù)核）等，將非線性數(shù)據(jù)映射至高維空間，以獲得線性可分的效果。這一特性使得SVM在處理邊界清晰且涉及高維特征的任務中表現(xiàn)出色，因此在故障診斷領域得到了廣泛應用［15］。

在本文提出的方法中，經過兩次特征提取后獲得的高維特征向量非常適合采用 SVM進行分類。這是因為 SVM 在高維空間中展現(xiàn)出優(yōu)良的泛化能力，能夠穩(wěn)定地捕捉旋轉機械故障和正常狀態(tài)之間的類別差異，而這些狀態(tài)的邊界通常是清晰的。此外，SVM 通過其核技巧和軟間隔機制，有效應對了故障數(shù)據(jù)中的噪聲問題，確保了分類的準確性。綜上所述，SVM 是本文故障診斷任務的理想選擇。

3 實驗過程與結果

3.1 實驗設計

3.1.1 數(shù)據(jù)集選擇

為驗證所提方法的有效性，本文選用了華中科技大學趙超團隊公開的HUST軸承數(shù)據(jù)集。該數(shù)據(jù)集涵蓋了實驗室條件下軸承測試所采集的不同運行條件及多種軸承故障類型的振動信號。數(shù)據(jù)通過三向加速度傳感器在 x、y、z 3個方向上以25 600 Hz的采樣頻率采集得到。本實驗選取了其中 65 Hz、70 Hz、75 Hz 和 80 Hz 4個速度條件下的數(shù)據(jù)進行研究。HUST軸承數(shù)據(jù)集收集試驗臺見圖6。

每組實驗數(shù)據(jù)包含x、y、z 3個方向的振動信號及相應的故障標簽。數(shù)據(jù)集包含4種不同類型的故障：內圈故障、外圈故障、滾動體故障和混合故障。每種故障又分為中度與重度兩種情況，此外還包括一種正常狀態(tài)。因此，共包含9中不同類型的軸承狀態(tài)（圖7）。

3.1.2 數(shù)據(jù)預處理

根據(jù)公式（1），對原始信號進行時間片劃分。考慮到最小的速度為65 Hz且采樣頻率為26.5 kHz，計算出軸承旋轉一圈所包含的時間步為T=394。時間片劃分通常使用[2n]作為一個時間片長，因此本實驗將時間片長度設置為2n，即Sequence=512。為在盡可能減少數(shù)據(jù)冗余的同時豐富數(shù)據(jù)集，設置了50%的數(shù)據(jù)覆蓋率。完成時間片劃分后，按照7∶1∶2的比例將數(shù)據(jù)集劃分為訓練集、驗證集和測試集。

3.1.3 實驗設置

本文設計了以下實驗來驗證所提方法的有效性。

（1）模型直接分類對比實驗：直接使用 LSTM、CNN、RNN處理標準化后的振動信號，通過自動提取特征后，利用全連接層進行分類，并將結果與本文方法進行對比。

（2）單時間片特征提取對比實驗：從整個時間片中提取單個特征向量，并應用多種常見的分類器進行實驗，以驗證本文方法的普適性和分類器選擇的合理性。

（3）單滑動窗口特征提取對比實驗：通過單滑動窗口提取特征矩陣，再利用 LSTM 進行二次特征提取與分類。在此實驗中，同樣采用多種分類器進行驗證。

（4）多尺度滑動窗口特征提取實驗（本文方法）：采用3個不同長度的滑動窗口（16、32、64，步長為窗口長度的一半）來提取多尺度特征矩陣。每個特征矩陣分別由3個LSTM處理，并拼接得到最終的特征向量。最后，通過分類器判別設備狀態(tài)。

（5）LSTM網(wǎng)絡設置：LSTM網(wǎng)絡由兩層基本記憶單元堆疊而成，每層隱藏單元數(shù)為32個。每個LSTM負責處理一種尺度的特征矩陣，并輸出用于拼接的特征向量。

（6）LSTM模型訓練：每個LSTM模型獨立進行訓練，同時利用一個全連接層作為輔助分類器對LSTM模型進行輔助訓練。訓練過程中，最小化交叉熵損失，并采用Adam優(yōu)化器進行優(yōu)化。

（7）分類器訓練：在拼接3個LSTM的特征向量后，使用SVM分類器（RBF核）進行訓練，目標是最大化樣本到分類邊界的間隔。

3.1.4 模型評估指標

為評估模型性能，本文采用以下常用的評價指標：①準確率（Accuracy）。該指標表示分類正確的樣本數(shù)占總樣本數(shù)的比例。②精確率（Precision）。該指標表示正類預測正確的樣本數(shù)占所有預測為正類的樣本數(shù)的比例。③召回率（Recall）。該指標表示正類預測正確的樣本數(shù)占所有真實為正類的樣本數(shù)的比例。④F1得分（F1-score）。該指標是精確率和召回率的調和平均數(shù)。

3.2 實驗結果分析

根據(jù)本文設計的實驗方法開展實驗并記錄結果，實驗結果匯總見表3。其中，CNN、RNN、LSTM方法分別代表直接使用這些模型對原始振動信號進行故障分類；FE表示對一個完整時間片直接進行特征提取，得到該時間片的特征向量；WFE表示使用一個滑動窗口對時間片進行特征提取，得到該時間片的特征矩陣；LSTM64表示使用大小為64的窗口對應的LSTM特征提取模型；MWFE則代表多尺度滑動窗口特征提取方法。此外，各特征提取方法均結合了SVM、GBDT（梯度提升決策樹）、LightGBM（輕量級梯度提升機）、HMM（隱馬爾可夫模型）4個分類模型進行了交叉重復實驗。

3.2.1 直接模型與特征提取方法的比較

CNN、RNN 和 LSTM 這3個直接模型在處理原始振動信號進行故障分類時，表現(xiàn)出了不同的性能。具體而言，LSTM（準確率為99.23%）的分類效果明顯優(yōu)于 CNN（準確率為96.68%）和 RNN（準確率為98.67%），這充分說明了 LSTM 在捕捉時間序列中的長短期依賴關系方面的優(yōu)勢。

此外，將信號分片并提取特征后再進行分類的方法，其總體效果優(yōu)于直接模型。特別是當采用MWFE與 LSTM進行二次特征提取，并結合不同分類器時，該方法展現(xiàn)出了卓越的性能。除在使用HMM分類器時稍遜于直接應用LSTM模型外，在其他分類器組合下，MWFE方法的各項性能指標均高于直接模型。這一結果表明，經過特征提取得到的特征矩陣能更有效地表達振動信號的故障信息，從而進一步提升了分類精度。

3.2.2 特征提取方法的效果對比

在GBDT分類器的組合下，F(xiàn)E的效果雖然優(yōu)于直接模型，但是由于缺少局部時序特征，其性能仍然低于WFE和MWFE。此外，每個分類器與FE組合的效果均不如其與 WFE和 MWFE方法組合的效果。

當使用WFE提取特征矩陣，并通過 LSTM64進一步提取特征后，分類效果得到了顯著提升。例如，WFE-LSTM64-SVM組合達到了99.69%的準確率，相較于FE-SVM方法 （準確率為98.38%）有了明顯的提升。

在所有分類器組合中，MWFE結合 LSTM 的分類效果最佳。這表明多尺度滑動窗口能夠更全面地捕捉振動信號的短時和長時特征，從而有助于提高分類器的識別率和準確性。在不同分類器的組合中，MWFE-LSTM-SVM 取得了最高的準確率（99.89%）和F1得分，這進一步證明了多尺度滑動窗口在提取不同故障特征方面的出色表現(xiàn)。

3.2.3 分類器的性能對比

（1）SVM：在特征維度較高的情況下，SVM 的分類效果優(yōu)異，特別是在 MWFE-LSTM 模型中，其準確率高達99.89%。SVM 的大間隔分類策略使其能夠在高維特征空間中準確地找到分類邊界，從而實現(xiàn)了高精度的分類。

（2）GBDT 和 LightGBM：這兩種基于樹的模型在特征復雜度較高的 WFE 和 MWFE 方法中表現(xiàn)穩(wěn)定，尤其是 MWFE-LSTM-GBDT 和 MWFE-LSTM-LightGBM 組合，其準確率分別達到了 99.82% 和 99.84%。

（3）HMM：在所有方法中，HMM的表現(xiàn)相對較弱，特別是在 FE-HMM組合中，其準確率遠低于其他分類器組合。這主要是由于HMM 對數(shù)據(jù)中的噪聲較為敏感，當特征中混入高維噪聲時，模型的狀態(tài)轉移概率會受到干擾。由于機械振動信號通常含有一定的噪聲，經過特征提取后，HMM 可能無法穩(wěn)定地識別關鍵的故障特征，從而受到噪聲的干擾，導致分類效果下降。

4 結語

本文提出了一種基于時序特征二次提取的旋轉機械故障診斷方法。該方法結合了多尺度滑動窗口技術、并行LSTM深度特征提取以及SVM分類器，能夠在不同時間尺度上提取多層次特征。通過利用LSTM進行深度時序建模，并最終借助SVM分類器，該方法實現(xiàn)了高效、準確的故障診斷。多尺度特征提取和LSTM并行處理策略顯著增強了時序特征的建模能力，從而有效提升了診斷性能。然而，該方法的計算復雜度較高，需要處理大量高維特征，導致計算資源消耗較大。此外，LSTM在處理長時間片信號時存在記憶限制等問題，這可能影響訓練效率。針對這些問題，下一步研究將探索采用其他時序模型，以期進一步提升訓練和診斷的效率?？傮w而言，本文提出的方法為復雜振動信號的故障診斷提供了一種高效、準確的解決方案，具有廣闊的應用前景和研究潛力。

5 參考文獻

［1］李恒，張氫，秦仙蓉，等.基于短時傅里葉變換和卷積神經網(wǎng)絡的軸承故障診斷方法［J］.振動與沖擊，2018，37（19）：124-131.

［2］金曉航，王宇，ZHANG BIN.工業(yè)大數(shù)據(jù)驅動的故障預測與健康管理［J］.計算機集成制造系統(tǒng)，2022，28（5）：1314-1336.

［3］溫翔采，張清華，胡勤，等.基于時頻域特征和樸素貝葉斯的滾動軸承故障診斷方法研究［J］.河南科技，2024，51（7）：18-24.

［4］張利慧，李殊瑤，李曉波，等.基于時頻域特征參數(shù)的風電機組滾動軸承故障診斷方法及應用［J］.內蒙古電力技術，2024，42（3）：13-19.

［5］呂云開，武兵，李聰明.基于SNN-LSTM的小樣本數(shù)據(jù)下軸承故障診斷方法［J］.機電工程，2023，40（1）：62-68.

［6］TANG Z，BO L，LIU X.et al.A semi-supervised transferable LSTM with feature evaluation for fault diagnosis of rotating machinery［J］.Applied Intelligence，2022，52：1703-1717.

［7］朱俊杰.基于時頻域融合的滾動軸承故障診斷方法研究［D］.吉林：吉林化工學院，2024.

［8］DAO F，ZENG Y，ZOU Y，et al.Wear fault diagnosis in hydro-turbine via the incorporation of the IWSO algorithm optimized CNN-LSTM neural network［J］.Scientific Reports，2024，14（1）：25278.

［9］宋守良.基于深度學習的物聯(lián)網(wǎng)時序數(shù)據(jù)分析技術［D］.濟南：齊魯工業(yè)大學，2024.

［10］KARIM F，MAJUMDAR S，DARABI H，et al.LSTM fully convolutional networks for time series classification［J］.Access，2018，6：1662-1669.

［11］鐘夢圓，姜麟，李超.多尺度特征提取殘差網(wǎng)絡的超分辨率圖像重建算法［J］.重慶郵電大學學報（自然科學版），2024，36（1）：76-85.

［12］LEI Y，HE Z，ZI Y，et al.Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs［J］.Mechanical Systems amp; Signal Processing，2007，21（5）：2280-2294.

［13］GREFF K，SRIVASTAVA R K，KOUTNíK J，et al.LSTM：a search space odyssey［J］.Transactions on Neural Networks and Learning Systems，2017，28（10）：2222-2232.

［14］HEARST M A，DUMAIS S T，OSUNA E，et al.Support vector machines［J］.Intelligent Systems and their Applications，1998，13（4）：18-28.