基于雙通道Transformer模型的多維信號故障診斷方法

摘" 要：感應(yīng)電機在現(xiàn)代工業(yè)中有十分重要的作用。然而，電機長時間運行后會變得疲勞從而導(dǎo)致災(zāi)難性后果。由于電機故障診斷本質(zhì)是對電機的時間信號分類，該研究提出雙通道Transformer模型，該模型利用電流和振動信號進行診斷，并通過連續(xù)小波變換提取頻域特征作為輸入。雙通道Transformer模型將數(shù)據(jù)的時域和頻域信號分別通過Transformer模型，這種替代不僅可以提取時間特征，還可以提取空間特征。實驗結(jié)果表明，所提出的模型可以提供高達95.36%的診斷準確率，證明其在電機故障診斷中的有效性。與傳統(tǒng)的單信號故障診斷方法相比，該模型具有更好的魯棒性和準確性。

關(guān)鍵詞：電機故障診斷;雙通道Transformer模型;小波變換;多維信號;頻域特征

中圖分類號：TM346" " " 文獻標(biāo)志碼：A" " " " " 文章編號：2095-2945（2025）02-0047-05

Abstract： Induction motors play a very important role in modern industry. However， motors can become tired after running for a long time， leading to catastrophic consequences. Since the essence of motor fault diagnosis is to classify the time signal of the motor， this study proposes a dual-channel Transformer model， which uses current and vibration signals to diagnose， and extracts frequency domain features through continuous wavelet transform as inputs. The dual-channel Transformer model passes the time-domain and frequency-domain signals of the data through the Transformer model respectively. This substitution can extract not only temporal characteristics， but also spatial characteristics. Experimental results show that the proposed model can provide a diagnosis accuracy of up to 95.36%， proving its effectiveness in motor fault diagnosis. Compared with traditional single-signal fault diagnosis methods， this model has better robustness and accuracy.

Keywords： motor fault diagnosis; dual-channel Transformer model; wavelet transform; multi-dimensional signal; frequency domain characteristics

感應(yīng)電動機在能源生產(chǎn)和設(shè)備制造等領(lǐng)域廣泛應(yīng)用，主要因為它們運行和維護便利。然而，在它們的運行壽命中不可避免地會出現(xiàn)軸承、定子和轉(zhuǎn)子等故障。這些問題帶來安全風(fēng)險，可能導(dǎo)致長期災(zāi)難。固有脆弱性對個人安全和生產(chǎn)效率構(gòu)成嚴峻挑戰(zhàn)。要解決這些問題，需要加強監(jiān)測和維護程序，采用先進技術(shù)，例如預(yù)測性維護和遠程監(jiān)控。

近年來，感應(yīng)電動機故障診斷技術(shù)取得了顯著的進展。早期的電機故障診斷方法主要是基于電機電流分析，比較著名的算法為電機電流特征分析（MCSA）[1]。它基于對電機運行過程中的電流進行頻譜分析、時域分析和模式識別來對電機故障進行檢測和診斷。MCSA是感應(yīng)電機故障診斷領(lǐng)域使用最廣的技術(shù)之一，但是其性能很容易受到信號干擾、負載變化等因素的影響，并且這個方法依賴專業(yè)人員的先驗知識。

振動信號作為一種重要的電機狀態(tài)信息源，除了電流信號外，提供了豐富的數(shù)據(jù)用于故障診斷。近年來，各種基于振動信號的故障診斷方法不斷涌現(xiàn)，包括時域分析、頻域分析和時頻分析等。在這些方法中，特征提取是影響診斷精度的關(guān)鍵因素。在時域分析中，常用的故障特征包括均方根值、波峰因素、方差、矩和時間平均值等，這些特征能夠反映振動信號的整體趨勢和波形特征。而在頻域分析中，常用的故障特征則包括峰值幅度、均方根、標(biāo)準差和頻率能量等，這些特征可以揭示振動信號的頻率成分和頻譜特征。通過綜合利用這些特征，并結(jié)合先進的數(shù)據(jù)處理和機器學(xué)習(xí)技術(shù)，可以提高電機故障診斷的準確性和效率，從而實現(xiàn)對電機狀態(tài)的有效監(jiān)測和預(yù)測，進一步提升生產(chǎn)設(shè)備的安全性和可靠性。

除了振動信號和電流信號等常見的故障診斷源，感應(yīng)電動機的溫度信號也是一個重要的信息來源。電動機的工作溫度是其健康狀態(tài)的重要指標(biāo)之一。過高或過低的溫度都可能意味著潛在的故障或不良運行條件。因此，利用溫度傳感器獲取電動機表面和內(nèi)部的溫度數(shù)據(jù)，結(jié)合機器學(xué)習(xí)算法進行分析和預(yù)測，可以有效地提高故障診斷的準確性。溫度信號的特征提取與分析可以與振動和電流信號的方法相結(jié)合，為全面的故障診斷提供更多信息支持。

另一個關(guān)鍵的方面是環(huán)境條件的監(jiān)測和分析。感應(yīng)電動機通常安裝在各種環(huán)境中，如工廠車間、戶外設(shè)施等，這些環(huán)境條件對電動機的運行和健康狀態(tài)有著重要影響。例如，濕度、塵埃、振動及溫度波動等環(huán)境因素都可能對電動機的性能和壽命產(chǎn)生影響。因此，建立與電動機故障相關(guān)的環(huán)境監(jiān)測系統(tǒng)，并將環(huán)境數(shù)據(jù)與電流、振動和溫度等信號數(shù)據(jù)相結(jié)合，可以為故障診斷提供更全面的信息。這種綜合的監(jiān)測方法可以及早發(fā)現(xiàn)潛在的問題，并采取相應(yīng)的預(yù)防措施，提高電動機的可靠性和生產(chǎn)效率。

有效提取信號中的特征是提高故障診斷方法的準確率的必要條件。傳統(tǒng)的基于特征的故障診斷方法依賴于專家知識和人工干預(yù)，這給故障診斷帶來了不確定性。為解決這個問題，機器學(xué)習(xí)提供了有效的解決方法。其中一些成熟的方法包括支持向量機（SVM）[2]、貝葉斯網(wǎng)絡(luò)（BN）、人工神經(jīng)網(wǎng)絡(luò)（ANN）[3]和深度學(xué)習(xí)（DL）。深度學(xué)習(xí)的核心思想是通過構(gòu)建深層次的神經(jīng)網(wǎng)絡(luò)，使其能夠從大規(guī)模的數(shù)據(jù)中自動學(xué)習(xí)和提取高級特征。與傳統(tǒng)的機器學(xué)習(xí)方法相比，深度學(xué)習(xí)可以通過多個層次的非線性變換來表達數(shù)據(jù)，從而更好地捕捉數(shù)據(jù)中的復(fù)雜模式和特征。它避免了傳統(tǒng)的特征提取方法需要依賴專家知識的缺點。

基于信號的電機故障診斷方法通過信號處理技術(shù)為電機診斷提供了一種精確、高效的方法。當(dāng)感應(yīng)電機發(fā)生電氣和機械問題時，該技術(shù)在特征空間內(nèi)識別與故障相關(guān)的組件。Wang等提出了一種稀疏引導(dǎo)的經(jīng)驗小波變換（EWT）方法來診斷軸承故障，該方法解決了快速傅里葉變換譜中局部極大值對原始EWT分析產(chǎn)生重大影響的難題。此外，電氣故障，如感應(yīng)電動機轉(zhuǎn)子斷條，也會在定子電流譜內(nèi)產(chǎn)生特定的特征頻率?；谶@一基本原理，一些學(xué)者對電機電流特征分析（MCSA）方法進行了深入的研究，以分析定子電流信號的特征。此外，各種時頻分析方法已被提出并應(yīng)用于機械故障診斷。在時頻方法中，短時傅里葉變換（STFT）、小波變換（WT）、Hilbert-Huang變換（HHT）是最常用的方法。例如，STFT方法可以根據(jù)信號隨時間的變化確定局部部分的信號頻率內(nèi)容，該方法已被廣泛應(yīng)用于感應(yīng)電機定子和轉(zhuǎn)子故障的檢測。然而，如果需要獲得良好的分辨率，STFT方法的計算成本很高?；谛〔ㄗ儞Q的方法作為一種線性分解方法，可以對信號的高頻分量提供良好的時間分辨率，對低頻分量提供良好的頻率分辨率，在非平穩(wěn)條件下對故障頻率分量進行跟蹤的有效性得到了驗證。但是，基于信號的故障診斷方法需要大量人員的專業(yè)知識，導(dǎo)致方法不能廣泛使用。

除了電流信號、振動信號等，還有其他的一些信號類型可以用于感應(yīng)電機故障診斷，因此單一信號可能無法完全表征電機的全部信息。為了克服這一限制，研究人員提出了多種深度學(xué)習(xí)框架，成功應(yīng)用于感應(yīng)電機故障診斷領(lǐng)域。其中，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）[4]、自動編碼器（AE）[5]、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等經(jīng)典深度學(xué)習(xí)框架都得到了廣泛應(yīng)用。Chen等人提出了一種利用稀疏自動編碼器和深度置信網(wǎng)絡(luò)進行軸承故障診斷的算法。Shi等[6]提出了基于壓縮感知和小波包能量熵的滾動軸承智能故障診斷稀疏自編碼方法。而Wang等[7]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的多振動信號圖像融合故障識別方法。這些方法的共同點在于利用深度學(xué)習(xí)技術(shù)，結(jié)合不同類型的信號數(shù)據(jù)，從而提高了故障診斷的準確性和可靠性。通過綜合考慮多種信號類型，這些方法能夠更全面地捕獲電機的狀態(tài)信息，進而實現(xiàn)更精準的故障診斷和預(yù)測，為提高生產(chǎn)設(shè)備的安全性和可靠性提供了重要支持。

1" 模型及方法

為了提高故障診斷的準確性和魯棒性，本研究提出了一種基于雙通道transformer的多信號故障診斷框架，此模型使用多個傳感器信號檢測感應(yīng)電機的工作狀態(tài)。在傳統(tǒng)的transformer模型的基礎(chǔ)上，本研究有2個改進使transformer模型滿足任務(wù)需求：基于小波變換的特征提取和雙通道結(jié)合。

1.1" 連續(xù)小波變換

連續(xù)小波變換（Continuous Wavelet Transform，CWT）是一種信號處理技術(shù)[8]，旨在將信號分解成不同尺度上的頻率成分。它使用一組母小波函數(shù)來分析信號的局部特征，這些母小波函數(shù)是原始小波函數(shù)的平移和尺度變換。在連續(xù)小波變換中，本研究將信號與一組連續(xù)的小波函數(shù)進行卷積。這些小波函數(shù)通常具有良好的時頻局部化特性，能夠捕捉信號在不同時間尺度上的特征。通過對不同尺度上的小波函數(shù)進行卷積，本研究可以得到信號在不同頻率和時間上的表示。Morlet小波基的公式如下

ψa，b（t）=expiω0

exp-，

式中：a為尺度參數(shù)，b為位移參數(shù)，ω0為中心頻率，i為虛數(shù)單位，t為時間。因此，小波變換的公式為

Ψf（a，b）=f（t）（t）dt。

連續(xù)小波變換的主要優(yōu)點之一是其多尺度分辨率，使得本研究可以在不同尺度下分析信號的頻率特性。此外，連續(xù)小波變換還具有局部化特性，能夠在時間和頻率上定位信號中的突變或瞬態(tài)現(xiàn)象，從而提供了對信號局部特征的精確描述。

1.2" 雙通道Transformer模型

多元故障診斷數(shù)據(jù)有多個通道，其中每個通道是一個單變量時間序列。一般的假設(shè)是不同通道之間存在著隱藏的相關(guān)性。多變量時間序列研究的關(guān)鍵是同時捕獲階梯式（時間）和通道式（空間）信息。一種常見的方法是利用卷積。即接收場通過二維核或具有固定參數(shù)共享的一維核進行步進式和通道式積分。與利用原始Transformer進行時間序列分類和預(yù)測的其他工作不同，本研究設(shè)計了一個簡單的雙通道框架擴展，如圖1所示。

步進式編碼器和通道式編碼器是用于時間序列特征編碼的2種不同方法。這些方法旨在更好地捕捉時間序列數(shù)據(jù)中的關(guān)聯(lián)性和特征，并提高模型的性能和泛化能力。

步進式編碼器：這種編碼器通過計算每個時間步之間的成對注意力權(quán)重來對時間特征進行編碼。這意味著模型通過自注意機制來關(guān)注每個時間步上的所有通道中的每個點。在多頭自注意層中，采用了尺度點積注意力機制來表示各個時間步上的注意力矩陣。此外，為了增強特征提取，全連接前饋層被堆疊在每個多頭注意力層上。保留了2個子層之間的殘余連接，以確保信息和梯度的順暢流動，并通過層歸一化來進一步優(yōu)化模型的性能。

通道式編碼器：通道式編碼器專注于不同通道之間的關(guān)聯(lián)性。這種編碼器計算了每個時間步中不同通道之間的注意力權(quán)重。在多變量時間序列中，通道的位置通常沒有相對或絕對的相關(guān)性，就像調(diào)換通道的順序不應(yīng)該改變時間序列的性質(zhì)一樣。因此，這種編碼器僅在步進編碼器中添加了位置編碼。通過在注意層中屏蔽所有通道，這種編碼器有望明確地捕獲所有時間步之間通道的相關(guān)性。在向每個編碼器提供時間序列數(shù)據(jù)時，通過簡單地交換通道和時間軸來實現(xiàn)這2種編碼器是一種直接的方法。

2" 實驗結(jié)果

本研究使用了由韓國科學(xué)技術(shù)院（KAIST）噪聲與振動控制中心收集的數(shù)據(jù)驗證了所提出算法的有效性。

KAIST數(shù)據(jù)集是在3種不同的負載條件下（0、2、4 Nm）收集的，以研究電流、振動、溫度和聲學(xué)數(shù)據(jù)。主電機以3 010轉(zhuǎn)/min的額定轉(zhuǎn)速旋轉(zhuǎn)。振動、溫度和驅(qū)動電流數(shù)據(jù)以25.6 kHz的采樣頻率進行采集。為了同時測量2個軸承座（A和B）上x和y方向的振動數(shù)據(jù)，使用了4個加速度計（PCB352C34）。此外，在軸承座A附近安裝了一個聲學(xué)麥克風(fēng)（PCB378B02）。溫度和電流數(shù)據(jù)使用2個熱電偶和3個CT傳感器（Hioki CT6700）進行測量。振動和聲學(xué)數(shù)據(jù)由西門子SCADAS Mobile 5PM50采集，溫度數(shù)據(jù)由NI9211模塊采集，電流驅(qū)動由NI9775模塊完成。在正常狀態(tài)下，數(shù)據(jù)集收集了120 s的數(shù)據(jù)，在故障狀態(tài)下收集了60 s的數(shù)據(jù)。采集設(shè)備結(jié)構(gòu)圖如圖2所示。

本研究選用了4 Nm負載條件下的振動和電流數(shù)據(jù)進行實驗，其中振動數(shù)據(jù)有四維，電流數(shù)據(jù)有三維?？紤]了5種不同類型的狀態(tài)，包括正常（NOR）、內(nèi)圈故障（BPFI）、外圈故障（BPFO）、不平衡故障（UNB）和不對中故障（MISALI），并將故障進一步細分為15類。其中，內(nèi)圈故障和外圈故障根據(jù)軸承的裂紋尺寸分為0.3、1.0、3.0 mm 3個級別;不對中故障根據(jù)軸的移動量分為0.1、0.3、0.5 mm 3個級別;不平衡故障根據(jù)向轉(zhuǎn)子盤添加不同質(zhì)量分為583、1 169、1 751、2 239和3 318 mg 5個級別。

在本文中，本研究選擇的對比模型有以下幾種。

模型1：傳統(tǒng)的Transformer模型+原始數(shù)據(jù);模型2：傳統(tǒng)的Transformer模型+小波變換數(shù)據(jù);模型3：雙通道transformer模型+原始數(shù)據(jù);模型4：雙通道transformer模型+小波變換處理后數(shù)據(jù);模型5：多層感知器+小波變換處理后數(shù)據(jù);模型6：時序卷積神經(jīng)網(wǎng)絡(luò)+小波變換處理后數(shù)據(jù)。

實驗結(jié)果見表1。

本研究所提出的模型在準確率方面展現(xiàn)出了引人矚目的成果，為多維故障數(shù)據(jù)的精準診斷提供了一種有效的解決方案。研究結(jié)果顯示，通過對原始數(shù)據(jù)進行小波變換，模型的準確率得到了顯著提升，這一發(fā)現(xiàn)表明時頻域分析可能是更為恰當(dāng)?shù)碾姍C故障診斷方法。小波變換的引入，使得模型能夠更好地捕捉到數(shù)據(jù)的時序特征，從而提高了診斷的準確性和可靠性。另外，本研究還提出了雙通道改進的方法，通過同時學(xué)習(xí)時空特征，該模型相較于傳統(tǒng)的Transformer模型表現(xiàn)出更為優(yōu)異的性能。雙通道結(jié)構(gòu)的引入使得模型能夠更充分地利用數(shù)據(jù)中蘊含的豐富信息，有效地提升了故障診斷的準確度。這種并行學(xué)習(xí)時空特征的方法，不僅能夠有效地提高模型的診斷效果，還有助于深入理解故障數(shù)據(jù)的內(nèi)在規(guī)律。

值得注意的是，雙通道Transformer模型不僅在準確率方面表現(xiàn)出色，而且還具有較強的泛化能力。在不同環(huán)境下，該模型能夠自適應(yīng)地調(diào)整參數(shù)，保持良好的性能。這種泛化能力的提升，使得模型更具實用性，能夠應(yīng)對各種復(fù)雜的實際場景，為電機故障診斷提供可靠的支持。

3" 結(jié)束語

本研究創(chuàng)新性地引入了雙通道Transformer模型，以解決多信號電機故障診斷的挑戰(zhàn)。通過將電機的電流和振動信號進行時頻變換，成功地提取了關(guān)鍵的時頻特征，這些特征被用作本研究的模型輸入。在對KAIST數(shù)據(jù)集進行的一系列實驗中，本研究的方法取得了驚人的成功，達到了95.36%的分類精度。這一成果不僅突破了現(xiàn)有故障診斷算法的局限，還超越了多變量時間序列分類算法的性能。

未來的研究方向包括將本研究的模型應(yīng)用于其他多信號電機故障數(shù)據(jù)集，以驗證其通用性和可靠性。通過在更廣泛的數(shù)據(jù)集上驗證我們的方法，本研究可以進一步鞏固其有效性，并為實際工業(yè)應(yīng)用奠定基礎(chǔ)。同時，我們也意識到KAIST數(shù)據(jù)集是在實驗室環(huán)境中模擬的，因此，為了更好地適應(yīng)真實工業(yè)場景的復(fù)雜性，我們將努力收集并利用來自實際工業(yè)現(xiàn)場的真實數(shù)據(jù)集。這樣一來，本研究的模型將更具實用性和可靠性，為工程師們提供更好的故障診斷解決方案。

參考文獻：

[1] DA S A M， POVINELLI R J， DEMERDASH N A O. Induction machine broken bar and stator short-circuit fault diagnostics based on three-phase stator current envelopes[J]. IEEE Transactions on Industrial Electronics， 2008， 55（3）： 1310-1318.

[2] SAMANTA B， NATARAJ C. Use of particle swarm optimization for machinery fault detection[J]. Engineering Applications of Artificial Intelligence， 2009， 22（2）： 308-316.

[3] SAMANTA B， AL-BALUSHI K R， AL-ARAIMI S A. Artificial neural networks and genetic algorithm for bearing fault detection[J]. Soft Computing， 2006（10）： 264-271.

[4] ZHAO R， YAN R， CHEN Z， et al. Deep learning and its applications to machine health monitoring[J]. Mechanical Systems and Signal Processing， 2019（115）： 213-237.

[5] CHEN Z， LI W. Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network[J]. IEEE Transactions on Instrumentation and Measurement， 2017， 66（7）： 1693-1702.

[6] SHI P， GUO X， HAN D， et al. A sparse auto-encoder method based on compressed sensing and wavelet packet energy entropy for rolling bearing intelligent fault diagnosis[J]. Journal of Mechanical Science and Technology， 2020（34）： 1445-1458.

[7] WANG H， LI S， SONG L， et al. A novel convolutional neural network based fault recognition method via image fusion of multi-vibration-signals[J]. Computers in Industry， 2019（105）： 182-190.

[8] 魏艷鳴，海本齋.基于EMD和改進多重信號分類的感應(yīng)電機故障檢測方法[J].微特電機，2017，45（7）：37-40.

第一作者簡介：鐘亮（1991-），男，工程師。研究方向為熱控專業(yè)。