【CJME论文推荐】西安交通大学严如强教授团队——故障感知降噪小波网络：一种信号处理信息神经网络

提示：点击上方"机械工程学报"↑关注我吧

引用论文

Shang, Z., Zhao, Z. & Yan, R. Denoising Fault-Aware Wavelet Network: A Signal Processing Informed Neural Network for Fault Diagnosis. Chin. J. Mech. Eng. 36, 9 (2023). https://doi.org/10.1186/s10033-023-00838-0
https://cjme.springeropen.com/articles/10.1186/s10033-023-00838-0‍(戳链接，下载全文)

1

研究背景及目的

深度学习方法作为传统信号处理方法的替代，其端到端的使用特性与高诊断准确率使得其在故障诊断领域发展迅速。然而，由于深度学习缺乏可解释性，基于深度学习的方法难以取得工业用户的信赖并且由于数据驱动特性导致深度学习方法对采集信号中的噪声敏感。为解决这些问题，我们从传统信号处理方法出发，利用传统信号处理方法的可解释与降噪性能，设计了信号处理赋能的深度学习网络框架，以期提供一种结合信号处理方法与深度学习网络的可解释高性能诊断算法。

图1  信号处理信息神经网络

2

试验方法

（1）使用XJTU-SY轴承故障数据集对方法抗噪性能进行了验证。通过对信号注入−4dB，−2dB，0dB，2dB，4dB的Gaussian噪声模拟不同水平的噪声环境下采集的数据，在不同噪声水平下进行了降噪实验，并可视化了网络去噪模块前后的信号图。
（2）使用航空发动机滑油附件测试实验台的锥齿轮故障模拟数据对所提出方法的跨工况诊断性能进行了验证。锥齿轮故障数据包含5种转速：500 rpm、1000rpm、1500rpm、2000rpm、3900rpm。为验证跨工况诊断性能，网络使用1500rpm的工况数据进行训练，在其余所有工况的数据上测试变工况诊断准确率，并可视化了变工况数据所提取出的特征。（3）使用MFPT数据集进行卷积核频率可视化实验，验证所提出方法的有效性。诊断对比方法包括CNN、使用sinc函数作为可学习滤波器卷积核的SincNet、使用Lapalce、Mexhat、Morlet作为可学习小波核的WaveletKernelNet，大卷积的WCNN，多分辨率的多核模型MKCNN，残差收缩降噪网络RSNet。

3

结果

在XJTU-SY轴承故障数据集上的实验结果如下：表1 噪声鲁棒性 

Models	Mean accuracy under −4 dB (%)	Mean accuracy under 4 dB (%)	Noise influence (NI)
CNN	53.67±1.36	73.05±2.22	3.32
SincNet	66.33±2.78	91.01±2.52	3.40
WaveletNet-L	65.78±3.98	88.59±2.48	3.22
WaveletNet-m	66.56±2.54	90.08±1.16	3.26
WaveletNet-M	50.47±2.22	80.08±2.38	4.62
RSNet	63.28±2.68	93.59±1.55	4.05
WCNN	58.20±2.4	96.33±0.99	4.95
MKCNN	61.17±2.99	86.56±1.3	3.67
DFAWNet-1	76.09±2.37	93.20±1.78	2.29
DFAWNet	81.64±1.3	96.56±1.0	2.10

图2  模拟不同信噪比下的性能

在XJTU-SY数据集上，如图2所示，在不同的噪声环境下，所提出的方法(DFAWNet)都优于其他方法。如表1所示，在−4dB下仍旧能取得80%以上的诊断准确率，并且从4dB至−4dB，所提出的方法都拥有最小的噪声影响评价指标NI，即其诊断准确率受噪声影响下降的最少。

在滑油附件锥齿轮故障数据集上的实验结果如下:

表2 不同工况下的平均精度(%)

Model	Stable condition	Variable condition	Decrease
CNN	92.11±2.19	65.69±4.21	26.43
WCNN	94.74±1.42	65.97±6.72	28.77
MKCNN	93.88±0.34	67.33±2.29	26.55
WaveletNet-L	93.34±1.39	65.72±6.08	27.62
WaveletNet-m	87.82±0.47	59.67±1.50	28.14
WaveletNet-M	88.44±2.07	58.65±3.63	29.78
DSN	94.69±1.34	64.06±5.55	30.63
SincNet	97.40±0.23	80.96±3.10	16.45
DFAWNet	98.08±0.05	83.68±1.64	14.40

图3 使用t-SNE的可视化特征. (a) CNN; (b) WCNN; (C) MKCNN; (d) WaveletNet-L; (e) WaveletNet-m; (f) WaveletNet-M; (g) RSN; (h) SincNet; (i) DFAWNet. 

在1500rpm的稳定转速下，所提出的DFAWNet方法取得了最高的准确率与最小方差，具有高性能与高稳定性。将模型直接应用于变工况即500 rpm、1000rpm、2000rpm、3900rpm转速下所采集的数据时，也能取得80%以上的准确率，准确率下降最少。此外SincNet作为另外一种信号处理赋能深度学习的可解释网络，也能取得较好的变工况诊断性能。如图3所示，两者所提取的特征都充分说明了信号处理方法赋能深度学习能为智能诊断网络提供良好先验，提高诊断的可解释性与诊断性能稳定性。

图4 网络卷积核的累积频带

在MFPT数据集上，所提出的方法其网络卷积核初始化时其所有核的频谱累积和中心为6.1KHz，在经过学习后，网络卷积核的频谱和发生自适应的偏移，与使用谱峭度方法所定位的故障信号所对应的滤波器频带高度吻合。

4

结论

通过将信号处理方法与深度学习结合，使得深度学习方法具有良好的噪声鲁棒性，有着良好的跨工况诊断能力，充分说明了信号处理方法先验的引入能有效的提升深度学习在诊断任务中的表现。除此之外，明确的滤波、降噪、频带选择的诊断流程提高了方法的可解释性。

5

前景与应用

随着智能诊断技术的发展，诊断方法的可解释性，对数据偏差的鲁棒性，诊断的稳定性成为未来技术的研究热点。信号处理方法的先验引入能为智能诊断方法提供良好的先验知识，并能提高方法的性能与可靠性。使用信号处理赋能深度学习将成为可解释智能诊断方法的一个重要发展领域。

相关文章/图书推荐

[1] Z Shang, Z Zhao, R Yan. Denoising Fault-Aware Wavelet Network: A Signal Processing Informed Neural Network for Fault Diagnosis. Chin. J. Mech. Eng., 2023, 36:(9). https://doi.org/10.1186/s10033-023-00838-0[2] D Wang, Z Peng, L Xi. The sum of weighted normalized square envelope: A unified framework for kurtosis, negative entropy, Gini index and smoothness index for machine health monitoring. Mechanical systems and signal processing, 2020, 140: 106725.
[3] J Antoni. A Critical Overview of the “Filterbank-Feature-Decision” Methodology in Machine Condition Monitoring. Acoustics Australia, 2021, 49(2): 177-184.
[4] Z Zhao, T Li, J Wu, et al. Deep learning algorithms for rotating machinery intelligent diagnosis: An open source benchmark study. ISA transactions, 2020, 107: 224-255.
[5] T Li, Z Zhao, C Sun, et al. WaveletKernelNet: An interpretable deep neural network for industrial intelligent diagnosis. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 52(4): 2302-2312.

团队带头人介绍

严如强，西安交通大学教授、博士生导师、高端装备研究院国际机械中心主任，2007年5月毕业于美国马萨诸塞大学阿默斯特分校(University of Massachusetts, Amherst)机械与工业工程系，获机械工程专业博士学位，主持科技部重点研发计划项目和基金委自然科学基金重点项目等。国际电气与电子工程师协会会士(IEEE Fellow)、美国机械工程师协会会士(ASME Fellow)、享受国务院政府特殊津贴人员、国家百千万人才工程入选者、获2020年陕西省技术发明一等奖(第一完成人)、2020年教育部自然科学一等奖(第二完成人)、2019年IEEE仪器与测量学会科技奖(Technical Award), 牵头制定IEEE国际标准1项，在IEEE和ASME会刊、机械工程学报等发表期刊论文百余篇，撰写和主编出版英文专著各1部。目前担任国际期刊《IEEE Transactions on Instrumentation and Measurement》主编，《IEEE Sensors Journal》、《机械工程学报》英文版和《中国科学技术大学学报》编委。

团队研究方向

1)可解释人工智能及其应用2)智能诊断与预测3)智能制造、制造服务融合4)生物医学信号检测与处理

近年课题组发表文章

[1] Xu W, Zhou Z, Li T, et al. Physics-constraint variational neural network for wear state assessment of external gear pump[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, doi:10.1109/TNNLS.2022.3213009. 

[2] Li T, Zhao Z, Sun C, et al. WaveletKernelNet: An interpretable deep neural network for industrial intelligent diagnosis[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2021, 52(4): 2302-2312.

[3] Zhou Z, Li T, Zhao Z, et al. Time-varying trajectory modeling via dynamic governing network for remaining useful life prediction[J]. Mechanical Systems and Signal Processing, 2023, 182: 109610.

[4] Xu W, Wang Z, Zhou Z, et al. An advanced pressure pulsation model for external gear pump[J]. Mechanical Systems and Signal Processing, 2023, 187: 109943.

[5] Li Y, Zhou Z, Sun C, et al. Variational Attention-Based Interpretable Transformer Network for Rotary Machine Fault Diagnosis[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, doi:10.1109/TNNLS.2022.3202234.

[6] Hu C, Wu J, Sun C, et al. Inter-Instance and Intra-Temporal Self-Supervised Learning with Few Labeled Data for Fault Diagnosis[J]. IEEE Transactions on Industrial Informatics, 2022, doi:10.1109/TII.2022.3183601.

[7] Zhao Z, Wu J, Li T, et al. Challenges and opportunities of AI-enabled monitoring, diagnosis & prognosis: A review[J]. Chinese Journal of Mechanical Engineering, 2021, 34(1): 1-29. 

[8] Li T, Zhou Z, Li S, et al. The emerging graph neural networks for intelligent fault diagnostics and prognostics: A guideline and a benchmark study[J]. Mechanical Systems and Signal Processing, 2022, 168: 108653.

[9] Zhao Z, Li T, An B, et al. Model-driven deep unrolling: Towards interpretable deep learning against noise attacks for intelligent fault diagnosis[J]. ISA transactions, 2022, 129:644-662,.

[10] Zhao Z, Zhang Q, Yu X, et al. Applications of unsupervised deep transfer learning to intelligent fault diagnosis: A survey and comparative study[J]. IEEE Transactions on Instrumentation and Measurement,  2021, 70: 3525828.

更多详细内容请点击文后阅读原文获取。

作      者：商佐港责任编辑：谢雅洁责任校对：向映姣审      核：张   强

JME学院简介

JME学院是由《机械工程学报》编辑部2018年创建，以关注、陪伴青年学者成长为宗旨，努力探索学术传播服务新模式。首任院长是中国机械工程学会监事会监事长、《机械工程学报》中英文两刊主编宋天虎。

欢迎各位老师扫码添加小助理-暖暖为好友，由小助理拉入JME学院官方群！

更多精彩视频

欢迎关注JME学院视频号~

寻觅合作伙伴

有一种合作叫做真诚，有一种发展可以无限，有一种伙伴可以互利共赢，愿我们合作起来流连忘返，发展起来前景可观。关于论文推荐、团队介绍、图书出版、学术直播、招聘信息、会议推广等，请与我们联系。

感谢关注我们！《机械工程学报》编辑部将努力为您打造一个有态度、有深度、有温度的学术媒体！

推荐阅读

  严如强：国家自然科学基金机械工程学科2019年度优秀结题项目【CJME论文推荐】浙江大学雷勇教授团队：针穿刺过程中软组织变形建模：基于Kriging方法【CJME论文推荐】西安交通大学陈贵敏教授团队：光学镜片机器人抛光的被动式恒力柔顺末端执行器设计【CJME论文推荐】西安交通大学蒋庄德院士团队：大口径非球面圆弧包络磨削的砂轮对刀误差建模与补偿【CJME论文推荐】广东工业大学王成勇教授团队：生物软组织加工技术研究进展【CJME论文推荐】东南大学倪中华、孙桂芳教授团队：船用金属材料的水下激光焊接/熔覆高性能修复研究进展【CJME论文推荐】太原理工大学黄庆学教授团队：变厚度轧制力能与变形参数的预测与分析【CJME论文推荐】燕山大学孔祥东教授团队：柱塞数量对轴向柱塞泵搅拌损失的影响【CJME论文推荐】江苏大学徐兴教授课题组：基于多项式混沌法的准零刚度空气悬架不确定性分析与优化【CJME论文推荐】北京交通大学张乐乐教授团队：基于安定强度的参数优化技术及其在密封舱设计中的应用

版权声明：

---

本文为《机械工程学报》编辑部原创内容，欢迎转载，请联系授权！

在公众号后台留言需要转载的文章题目及要转载的公众号ID以获取授权!

联系我们：

---

联系人：暖暖

电话：[phone]

E-mail：[e-mail]

网 址：http://www.cjmenet.com.cn

官方微信号：jmewechat

长按图片，识别二维码，关注我哟