文章編號：2096-1472（2024）03-0036-06

DOI：10.19644/j.cnki.issn2096-1472.2024.003.008

摘"要：減速箱對拉絲輥的轉(zhuǎn)速固定有重要作用，由于拉絲設(shè)備結(jié)構(gòu)緊密，內(nèi)部零件的運(yùn)行狀態(tài)不易于觀察，因此減速箱輪齒故障導(dǎo)致的轉(zhuǎn)速配比異常很難被及時(shí)發(fā)現(xiàn)，針對拉絲機(jī)減速箱存在的故障診斷環(huán)節(jié)缺失問題，提出一種遺傳算法與優(yōu)化注意力模塊改進(jìn)的殘差網(wǎng)絡(luò)的故障診斷方法。首先，通過小波包分解與帶通濾波的混合方法清洗數(shù)據(jù)，依照生產(chǎn)車間實(shí)際情況提出綜合評價(jià)指標(biāo)，并按照指標(biāo)需求選擇小波包分解層數(shù)；其次，針對殘差網(wǎng)絡(luò)與注意力模塊進(jìn)行改進(jìn)；最后，將經(jīng)過連通域分析與二值化后的特征圖送入改進(jìn)后的模型進(jìn)行診斷。結(jié)果表明，該方法的診斷準(zhǔn)確率比注意力-殘差網(wǎng)絡(luò)模型（Squeeze-and-Excitation-ResNet， SE-ResNet）提升了7.32%，比卷積神經(jīng)網(wǎng)絡(luò)-極限學(xué)習(xí)機(jī)模型（Convolutional Neural Network-Extreme Learning Machine， CNN-ELM）提升了8.81%，針對注意力模塊（Squeeze-and-Excitation Module， SE）的改進(jìn)將模型的單次診斷時(shí)間在原來的基礎(chǔ)上縮短0.92 s，對塑編拉絲車間中減速箱的維護(hù)具有較大的實(shí)用價(jià)值。

關(guān)鍵詞：故障診斷；深度學(xué)習(xí)；遺傳算法；擠壓-激勵(lì)模塊；拉絲機(jī)；殘差網(wǎng)絡(luò)

中圖分類號：TP206.3""文獻(xiàn)標(biāo)志碼：A

Fault Diagnosis of Wire Drawing Machine Reducer Based on

Improved Residual Network

ZOU Zhicheng¹， WAN Changjiang^1，2， RU Xin¹

（1.School of Mechanical Engineering， Zhejiang Sci-Tech University， Hangzhou 310018， China;

2.Research Institute of Zhejiang Sci-Tech University in Longgang， Wenzhou 325000， China）

Mixier1130@163.com; wanchj@zstu.edu.cn; ruxin@zstu.edu.cn

Abstract： The reducer plays an important role in fixing the speed of the wire drawing roller. Due to the compact structure of the drawing equipment and the difficulty in observing the operating status of internal parts， abnormal speed ratio caused by gearbox tooth faults is difficult to be found in time. To address the problem of missing fault diagnosis links in the reducer of the wire drawing machine， this paper proposes a fault diagnosis method based on genetic algorithm and improved residual network optimization attention module. Firstly， the data are cleaned by a hybrid method of wavelet packet decomposition and band-pass filtering. Comprehensive evaluation indicators are proposed based on the actual situation of the production workshop， and the number of wavelet packet decomposition layers is selected according to the indicator requirements. Secondly， the residual network and attention module are improved. Finally， the feature map after connected domain analysis and binarization is sent to the improved model for diagnosis. The results show that the diagnostic accuracy of the proposed method is 7.32% higher than that of traditional SE-ResNet （SE： Squeeze-and-Excitation）， and 8.81% higher than that of CNN-ELM （Convolutional Neural Network-Extreme Learning Machine）. The improvement of SE module shortens the single diagnosis time of the model by 0.92 s， which has great practical value for the maintenance of the reducer in the plastic weaving and drawing workshop.

Key words： fault diagnosis; deep learning; genetic algorithm; Squeeze-and-Excitation module; wire drawing machine; residual network

0""引言（Introduction）

拉絲機(jī)組的運(yùn)行狀況與塑料絲的成型高度相關(guān)。減速箱是拉絲機(jī)傳動(dòng)系統(tǒng)中的關(guān)鍵部件，由于塑編拉絲車間生產(chǎn)流程長且設(shè)備維護(hù)成本高，因此對減速箱進(jìn)行故障診斷具有重要意義。

從實(shí)際問題出發(fā)，立足于生產(chǎn)現(xiàn)場的數(shù)據(jù)量龐大的現(xiàn)狀，考慮到殘差網(wǎng)絡(luò)比經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)具有更加優(yōu)秀的復(fù)雜特征提取與表達(dá)能力，因此本研究采用殘差網(wǎng)絡(luò)作為模型基礎(chǔ)，針對拉絲車間的實(shí)際需求對殘差網(wǎng)絡(luò)的診斷準(zhǔn)確率與單次診斷速度進(jìn)行改進(jìn)。同時(shí)，拉絲車間的聲音復(fù)雜度較高且設(shè)備長時(shí)間在高溫環(huán)境下工作，由于對扁絲產(chǎn)品不同性能的需求，機(jī)筒等設(shè)備的工作溫度需要經(jīng)常調(diào)整，傳統(tǒng)聲發(fā)射方法與熱成像方法無法用于拉絲車間減速箱的故障診斷，因此選擇使用振動(dòng)分析法對數(shù)據(jù)進(jìn)行研究分析^［1-4］。目前，深度學(xué)習(xí)在故障診斷領(lǐng)域已取得較大發(fā)展^［5-13］。熊劍等^［14］把短時(shí)傅里葉變換與殘差網(wǎng)絡(luò)結(jié)合建立診斷模型，其效果優(yōu)于傳統(tǒng)卷積網(wǎng)絡(luò)。金列俊等^［15］省去特征提取與參數(shù)調(diào)優(yōu)的步驟，直接使用一維卷積神經(jīng)網(wǎng)絡(luò)對鉆桿進(jìn)行故障診斷。然而，以上方法均存在無法自更新通道權(quán)重、超參數(shù)取值不是最優(yōu)的問題，在特征提取效率與診斷準(zhǔn)確率方面仍有不足且未考慮實(shí)際使用場景下的診斷實(shí)時(shí)性問題。

因此，本文提出一種基于振動(dòng)信號的改進(jìn)的殘差網(wǎng)絡(luò)，用于拉絲車間減速箱的故障診斷。使用優(yōu)化的擠壓-激勵(lì)模塊與遺傳算法改進(jìn)殘差網(wǎng)絡(luò)，并通過實(shí)驗(yàn)驗(yàn)證本文提出的診斷方法的有效性與實(shí)用性。

1""故障診斷流程（Fault diagnosis process）

本研究中需要開展的故障診斷主要包含6個(gè)階段：減速箱振動(dòng)信號的采集、對振動(dòng)信號進(jìn)行清洗提純、將振動(dòng)信號轉(zhuǎn)化為二維圖像信息、對處理后的數(shù)據(jù)進(jìn)行二值化與連通域分析組成模型數(shù)據(jù)集、對殘差網(wǎng)絡(luò)（ResNet）的超參數(shù)進(jìn)行優(yōu)化以保證最佳的識別效果、運(yùn)用參數(shù)尋優(yōu)后的網(wǎng)絡(luò)進(jìn)行故障診斷并展示結(jié)果。故障診斷整體流程圖如圖1所示。

2""故障診斷模型（Fault diagnosis model）

2.1""小波包分解層數(shù)確認(rèn)

根據(jù)對設(shè)備振動(dòng)信號的分析，對原始信號進(jìn)行傅里葉變換，將信號轉(zhuǎn)換到頻域觀察數(shù)據(jù)信號，如公式（1）所示。

其中：F_k是頻域上的信號序列，x_n是時(shí)域上的信號序列，n是離散時(shí)間變量，k（k=0，1，2，…，N-1）是頻率編號，N是信號長度。

重點(diǎn)關(guān)注嚙合頻率及其諧波附近的信號，如公式（2）所示。

F_GMF=F_RF×N（2）

其中：F_GMF為齒輪嚙合頻率，F(xiàn)_RF為齒輪轉(zhuǎn)動(dòng)頻率，N為齒輪的齒數(shù)。

使用帶通濾波器過濾掉低于511 Hz的信號與高于1 600 Hz的信號，但僅使用帶通濾波器不能滿足診斷準(zhǔn)確率的要求，而小波包分解具有壓縮性與去噪性的特點(diǎn)，能關(guān)注并提取原始信號的深層特征，因此將兩種方法結(jié)合使用可以更好地提升診斷速度與準(zhǔn)確率。本文選擇Sym6小波基函數(shù)對信號進(jìn)行處理，小波分解信號圖如圖2所示。

使用合適的小波包分解層數(shù)可以獲得最佳的信號壓縮過濾效果。若小波包分解層數(shù)過高，會導(dǎo)致信號細(xì)節(jié)特征過多、噪聲的干擾增大，網(wǎng)絡(luò)無法準(zhǔn)確識別設(shè)備的階段狀態(tài)特征，導(dǎo)致診斷準(zhǔn)確率下降；若小波包分解層數(shù)過低，會出現(xiàn)特征提取不充分、信息丟失、誤差增加等現(xiàn)象。因此，需要通過實(shí)驗(yàn)驗(yàn)證小波包分解的最優(yōu)分解層數(shù)，具體的計(jì)算方法如下：

根據(jù)實(shí)際應(yīng)用需求，考慮到拉絲流程緊湊且關(guān)聯(lián)性強(qiáng)，一旦出現(xiàn)故障會產(chǎn)生大量廢絲，因此診斷反應(yīng)速度與診斷準(zhǔn)確率是診斷性能的重要指標(biāo)。結(jié)合企業(yè)對診斷反應(yīng)速度的更高要求，對診斷準(zhǔn)確率與診斷反應(yīng)速度給予不同權(quán)重，提出評價(jià)指標(biāo)ε，用以確定最終分解層數(shù)，具體公式如下：

其中：ε是分解評價(jià)指標(biāo)；α是準(zhǔn)確率權(quán)重，取0.4；β是診斷時(shí)間權(quán)重，取0.2；γ是均方誤差權(quán)重，取0.4；θ是當(dāng)前小波包分解層數(shù)下的診斷準(zhǔn)確率值，τ是當(dāng)前小波包分解層數(shù)下的單次診斷時(shí)間值，M是歸一化后的均方誤差，通過將三個(gè)指標(biāo)歸一化到［0，1］上組成評價(jià)指標(biāo)。

由表1可以看出，四層分解層數(shù)的綜合評價(jià)指標(biāo)最高，即四層分解在能滿足拉絲生產(chǎn)的實(shí)際需求的前提下，得到的重構(gòu)信號質(zhì)量最優(yōu)且對于原本信號的特征保留與信號去噪效果更好。將水平與豎直方向上的信號以時(shí)序組成對應(yīng)特征點(diǎn)，以每1 000組數(shù)據(jù)作為一張?zhí)卣鲌D的方式形成數(shù)據(jù)集，經(jīng)過以上混合處理方法，使原本冗雜、特征不明顯的原始信號變得精簡且具有深層特征。對比信號處理前后的特征散點(diǎn)（圖3）可以發(fā)現(xiàn)，經(jīng)處理后的信號更緊湊，游離散點(diǎn)明顯變少，狀態(tài)特征表述也更加清晰，將處理后的數(shù)據(jù)送入模型訓(xùn)練后，殘差網(wǎng)絡(luò)在故障診斷時(shí)具有更高的準(zhǔn)確率。

2.2""網(wǎng)絡(luò)模型建立

殘差網(wǎng)絡(luò)的堆疊殘差塊會引入不必要的冗余特征，這部分冗余特征增加了診斷的時(shí)間，并降低了診斷準(zhǔn)確率；殘差網(wǎng)絡(luò)本身無法自適應(yīng)地調(diào)節(jié)每個(gè)通道的重要性，所以僅依靠殘差網(wǎng)絡(luò)進(jìn)行診斷的準(zhǔn)確率較低。為了解決以上問題，使用擠壓-激勵(lì)模塊對網(wǎng)絡(luò)進(jìn)行改進(jìn)。擠壓-激勵(lì)模塊能夠?qū)W習(xí)到每個(gè)通道的重要性權(quán)重，并且能根據(jù)這些權(quán)重自適應(yīng)地調(diào)節(jié)特征圖中的每個(gè)通道，重要性較高的通道將得到更大的權(quán)重，從而更強(qiáng)烈地影響最終的特征表示，而重要性較低的通道會得到較小的權(quán)重，同時(shí)抑制冗余信息的表述，從而減弱其對最終特征表示的影響，增強(qiáng)了殘差網(wǎng)絡(luò)的表達(dá)能力和特征選擇能力。優(yōu)化前后的模型結(jié)構(gòu)對比如圖4所示。

雖然擠壓-激勵(lì)模塊優(yōu)化了冗余特征的干擾，提升了計(jì)算效率，但是在實(shí)際應(yīng)用時(shí)必須讓診斷的時(shí)間盡可能短，因此針對模型的計(jì)算效率進(jìn)行改進(jìn)。針對SE模塊進(jìn)行改進(jìn)能提升模型的遷移性與通用性，具體改進(jìn)方法是選擇將計(jì)算效率更高的ReLU激活函數(shù)替換原本的激活函數(shù)。該改進(jìn)方法可以降低計(jì)算復(fù)雜度，并且Sigmoid函數(shù)在輸入遠(yuǎn)離零時(shí)飽和，限制了非線性表示能力的發(fā)揮，而ReLU函數(shù)則沒有以上問題。

SE模塊的輸出必須符合注意力權(quán)重的定義，即注意力權(quán)重是一種概率分布，其值通常在［0，1］之間且所有權(quán)重的和為1，而ReLU的輸出為Max（0，w^Tx+b），不符合注意力權(quán)重的定義，因此需要再加入歸一化操作，將輸出限制在［0，1］之間，使之符合注意力權(quán)重的定義。改進(jìn)的擠壓-激勵(lì)模塊結(jié)構(gòu)如圖5所示。

首先，輸入的特征圖與傳統(tǒng)SE模塊的特征圖處理方式相同，進(jìn)行卷積與壓縮得到具有全局感受野的特征輸出z_c，其公式如下：

其中：z_c是輸出的特征值，c是通道數(shù)，u_c是輸入特征圖，H、W是特征圖的高與寬，i、j是特征數(shù)據(jù)行與列。

其次，進(jìn)行激勵(lì)操作，將特征輸出進(jìn)行特征降維并使用ReLU激活，再進(jìn)行一次全連接層升維回到原來的維度，該操作可以極大地減少參數(shù)量與計(jì)算量，并且更好地?cái)M合通道間的相關(guān)性。之后，不再使用Sigmoid激活函數(shù)獲取權(quán)重，而是通過ReLU激活函數(shù)與歸一化操作獲得特征權(quán)重，其公式如下：

其中：F_ex為激勵(lì)操作，s為特征權(quán)重，P為Softmax歸一化，δ為ReLU激活函數(shù)，W₁、W₂為兩個(gè)全連接層的權(quán)值矩陣。

把特征權(quán)重與原始特征數(shù)據(jù)相乘，得到通道注意力加權(quán)輸出特征圖，其公式如下：

其中：F_scale為標(biāo)定操作，u_c為特征圖中的第c個(gè)通道，s_c為權(quán)重矩陣的第c個(gè)通道。

經(jīng)過多次實(shí)驗(yàn)，優(yōu)化前后的模型診斷準(zhǔn)確率的差距在1%以內(nèi)，但單次診斷時(shí)間相差0.92 s?？梢?，針對SE模塊的改進(jìn)，在遺傳算法-注意力-殘差網(wǎng)絡(luò)（GA-SE-ResNet）提速效果較好的前提下，準(zhǔn)確率沒有出現(xiàn)大幅度波動(dòng)。優(yōu)化前后模型性能對比如表2所示。

2.3""基于遺傳算法的超參數(shù)優(yōu)化

模型的性能與超參數(shù)的選擇也有較大的關(guān)系，傳統(tǒng)診斷模型的超參數(shù)通常依靠人工經(jīng)驗(yàn)指定，這種方式的不確定性高且無法保證模型性能最優(yōu)，因此引入遺傳算法（GA算法）確定模型最優(yōu)超參數(shù)的取值，尋優(yōu)流程如圖6所示。由于網(wǎng)絡(luò)準(zhǔn)確率是由超參數(shù)的組合決定的，因此將GA算法的適應(yīng)度函數(shù)設(shè)置為網(wǎng)絡(luò)準(zhǔn)確率的反比例函數(shù)，尋優(yōu)過程也是對最優(yōu)的網(wǎng)絡(luò)性能的尋找，將兩種算法結(jié)合，可以解決ResNet網(wǎng)絡(luò)的超參數(shù)無法保證最優(yōu)的問題。

首先，確定遺傳算法的適應(yīng)度函數(shù)，用于衡量個(gè)體在解決問題中的優(yōu)劣程度。引入遺傳算法的目的是使用最優(yōu)的超參數(shù)使殘差網(wǎng)絡(luò)的準(zhǔn)確率最高，因此適應(yīng)度函數(shù)設(shè)置為網(wǎng)絡(luò)準(zhǔn)確率的反比例函數(shù)，最小的適應(yīng)度值對應(yīng)的基因組就是模型所需的最優(yōu)超參數(shù)組合，計(jì)算公式如下：

Fitness=Net_acc{R（lr_i，bs_i，Mm_i，Wd_i）}10）

其中：R為殘差網(wǎng)絡(luò)模型，lr_i為學(xué)習(xí)率，bs_i為批處理數(shù)，Mm_i為動(dòng)量，Wd_i為權(quán)重衰減。

其次，設(shè)置各個(gè)參數(shù)的尋優(yōu)區(qū)間，作為遺傳算法的基因庫，如表3所示。

選擇合理的算子與編碼方式可以提升算法的性能。為了增強(qiáng)算法的局部搜索能力與計(jì)算效率，選擇使用格雷碼編碼，選擇算子使用輪盤賭值，交叉算子采用單點(diǎn)交叉，單點(diǎn)交叉能保證基因組的完整性，加強(qiáng)算法的局部搜索能力與計(jì)算效率。設(shè)置種群數(shù)量為100個(gè)、最大迭代次數(shù)50次，當(dāng)GA算法收斂時(shí)，將在表3的區(qū)間與數(shù)組內(nèi)尋找到最優(yōu)的個(gè)體基因組。

3""實(shí)驗(yàn)結(jié)果（Experimental result）

將生產(chǎn)現(xiàn)場使用的EUGENE工業(yè)斜減速箱作為待測對象，使用CYT9350加速度傳感器與USB-1252A數(shù)據(jù)采集卡作為采集設(shè)備，減速箱嚙合頻率為511 Hz，設(shè)置采樣頻率為5 120 Hz。實(shí)驗(yàn)振動(dòng)數(shù)據(jù)由采集模塊獲取，所有狀態(tài)振動(dòng)數(shù)據(jù)總數(shù)為600 000條，單個(gè)方向的單狀態(tài)數(shù)據(jù)為100 000條，以每1 000個(gè)數(shù)據(jù)對作為一組，共分為100組，經(jīng)過二維特征化形成單狀態(tài)數(shù)據(jù)量，共100張；再通過對圖片隨機(jī)添加噪點(diǎn)、平移等操作擴(kuò)充數(shù)據(jù)，擴(kuò)充后單狀態(tài)數(shù)據(jù)量為347張，總數(shù)據(jù)量為1 043張，按照8∶1∶1的比重分為訓(xùn)練集、驗(yàn)證集、測試集。

GA算法輸出的最優(yōu)超參數(shù)組合如表4所示，網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)使用對應(yīng)最優(yōu)參數(shù)，保證達(dá)到模型最佳的診斷效果，并與傳統(tǒng)網(wǎng)絡(luò)的準(zhǔn)確率進(jìn)行對比。

如表5、圖7所示，從準(zhǔn)確率方面來看，改進(jìn)后的GA-SE-ResNet比傳統(tǒng)的SE-ResNet平均診斷準(zhǔn)確率提升7.32%、迭代次數(shù)減少11次，并且SE-ResNet的超參數(shù)是隨機(jī)指定的，導(dǎo)致準(zhǔn)確率波動(dòng)大，其最高診斷準(zhǔn)確率與最低診斷準(zhǔn)確率相差5.25%；相比CNN-ELM，平均診斷準(zhǔn)確率提升8.81%、迭代次數(shù)減少8次，同樣由于無法保證參數(shù)最優(yōu)，導(dǎo)致準(zhǔn)確率存在較大波動(dòng)；相比遺傳算法-支持向量機(jī)（GA-SVM），平均診斷準(zhǔn)確率提升0.7%，迭代次數(shù)減少6次，其整體準(zhǔn)確率波動(dòng)不大。從單次診斷時(shí)間來看，得益于改進(jìn)SE模塊的速度優(yōu)化，改進(jìn)后的GA-SE-ResNet模型較改進(jìn)前的平均診斷時(shí)間縮短了0.92 s；由于傳統(tǒng)ResNet網(wǎng)絡(luò)引入殘差連接增加了計(jì)算量，導(dǎo)致單次診斷時(shí)長比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)（CNN）網(wǎng)絡(luò)更長，通過改進(jìn)擠壓-注意力模塊將單次診斷時(shí)間縮短至與CNN相近的水平。

如圖8所示，針對特定車間的運(yùn)行數(shù)據(jù)，GA-SVM在所有模型中損失值較小，在前4次迭代，它的收斂速度比優(yōu)化后的GA-SE-ResNet更快，在4次迭代后其收斂速度漸慢于改進(jìn)后的殘差模型；得益于極限學(xué)習(xí)機(jī)的高效計(jì)算效率與訓(xùn)練速度，CNN-ELM模型的收斂速度是所有模型中最快的，但缺點(diǎn)是損失值較大，診斷準(zhǔn)確率不高；普通SE-ResNet模型損失值相較于CNN雖然更小，但是收斂輪次是所有模型中最多的，并且準(zhǔn)確率不穩(wěn)定，一方面是因?yàn)闅埐钅Ｐ偷挠?jì)算量較大，另一方面是因?yàn)槟Ｐ偷膮?shù)不是最優(yōu)，導(dǎo)致收斂速度慢。得益于遺傳算法得到的最優(yōu)參數(shù)與改進(jìn)SE模塊的更高的計(jì)算效率，改進(jìn)后的殘差模型無論在收斂輪次還是損失值大小方面，在以上模型中都是最優(yōu)的，優(yōu)化后單次診斷時(shí)間也獲得較大的提升，由混淆矩陣可以看出，該模型對拉絲車間減速箱健康與磨損狀態(tài)下的診斷效果較好。

實(shí)驗(yàn)結(jié)果說明，在塑編拉絲車間減速箱的故障診斷上，相較于CNN-ELM、SE-ResNet、GA-SVM等模型，改進(jìn)后的GA-SE-ResNet模型效果更優(yōu)。

4""結(jié)論（Conclusion）

為了提升塑編拉絲車間的智能化改造水平，實(shí)現(xiàn)對拉絲關(guān)鍵部件的故障診斷，構(gòu)建了針對拉絲車間的基于殘差網(wǎng)絡(luò)改進(jìn)模型的故障診斷方法。根據(jù)拉絲車間的特點(diǎn)，通過信號雙方向采集融合、信號二維化、數(shù)據(jù)點(diǎn)連通域分析等方法對信號進(jìn)行預(yù)先處理，由于拉絲工藝對診斷的響應(yīng)時(shí)間有較高要求，因此針對GA-SE-ResNet模型的單次診斷時(shí)間較長的問題，進(jìn)一步改進(jìn)擠壓-激勵(lì)模塊的結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的模型的單次診斷時(shí)間縮短了0.92 s，實(shí)際診斷時(shí)間相較于改進(jìn)前大幅度減少，在診斷準(zhǔn)確率保持穩(wěn)定的前提下，提升了診斷實(shí)時(shí)性，更符合實(shí)際診斷場景下的實(shí)時(shí)性需求。此外，使用遺傳算法選擇最優(yōu)的殘差網(wǎng)絡(luò)超參數(shù)組合，解決了殘差網(wǎng)絡(luò)無法自適應(yīng)調(diào)節(jié)參數(shù)的問題，同時(shí)避免人工設(shè)置超參數(shù)導(dǎo)致模型可靠性不足的問題。實(shí)驗(yàn)結(jié)果表明，該模型針對拉絲車間的診斷性能優(yōu)秀。該模型為拉絲機(jī)關(guān)鍵部件的故障檢測提供了一種新的方案，對車間智能化水平的提升具有積極意義。

參考文獻(xiàn)（References）

［1］ 周玉蓉，張巧靈，于廣增，等. 基于聲信號的工業(yè)設(shè)備故障診斷研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2023，59（7）：51-63.

［2］ NING D Y，SUN C L，GONG Y J，et al. Extraction of fault component from abnormal sound in diesel engines using acoustic signals［J］. Mechanical systems and signal processing，2016，75：544-555.

［3］ KARABACAK Y E，GRSEL ZMEN N，GM瘙 塁EL L. Worm gear condition monitoring and fault detection from thermal images via deep learning method［J］. Eksploatacja i niezawodnos[DD（-1*2][HT]＇[DD）]c[DD（-1*2][HT]＇[DD）]-maintenance and reliability，2020，22（3）：544-556.

［4］ 司偉偉，岑健，伍銀波，等. 小樣本軸承故障診斷研究綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2023，59（6）：45-56.

［5］ 翟嘉琪，楊希祥，程玉強(qiáng)，等. 機(jī)器學(xué)習(xí)在故障檢測與診斷領(lǐng)域應(yīng)用綜述［J］. 計(jì)算機(jī)測量與控制，2021，29（3）：1-9.

［6］ 賀政，曹宏斌，趙富強(qiáng). 基于混合遺傳算法的10 kV避雷器劣化狀態(tài)識別仿真［J］. 微型電腦應(yīng)用，2023，39（11）：69-72.

［7］ 余萍，曹潔. 深度學(xué)習(xí)在故障診斷與預(yù)測中的應(yīng)用［J］. 計(jì)算機(jī)工程與應(yīng)用，2020，56（3）：1-18.

［8］ 侯林濤，閻俏，張桂青，等. 基于K-means算法的光伏路燈蓄電池故障識別研究［J］. 計(jì)算機(jī)時(shí)代，2023（6）：114-118.

［9］ 趙師兵，張志明. 基于時(shí)域信號特征和卷積神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷算法［J］. 計(jì)算機(jī)應(yīng)用，2022，42（增刊2）：320-326.

［10］ 雷澤臨，蘇儉，郭偉. 基于機(jī)器學(xué)習(xí)的蜂窩網(wǎng)絡(luò)故障管理框架及方法綜述［J］.計(jì)算機(jī)應(yīng)用研究，2022，39（12）：3521-3533.

［11］ 趙曉平，彭澎，張永宏，等. 改進(jìn)孿生網(wǎng)絡(luò)在小樣本軸承故障診斷中的應(yīng)用［J］.計(jì)算機(jī)工程與應(yīng)用，2023，59（19）：294-304.

［12］ 張弛，王廣民，許會博，等. 基于PCA和優(yōu)化參數(shù)SVM的智能變電站故障診斷方法［J］. 計(jì)算機(jī)應(yīng)用與軟件，2022，39（7）：80-88.

［13］ 郭秀才，劉冰冰，王力立. 基于小波包和CS-BP神經(jīng)網(wǎng)絡(luò)的礦用電力電纜故障診斷［J］. 計(jì)算機(jī)應(yīng)用與軟件，2021，38（9）：105-110.

［14］ 熊劍，鄧松，時(shí)大方. 基于改進(jìn)殘差網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷［J］. 軸承，2020（11）：50-55.

［15］ 金列俊，詹建明，陳俊華，等. 基于一維卷積神經(jīng)網(wǎng)絡(luò)的鉆桿故障診斷［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)版），2020，54（3）：467-474.

作者簡介：[HJ]

鄒知成（1997-），男，碩士生。研究領(lǐng)域：智能制造。

萬昌江（1972-），男，博士，講師。研究領(lǐng)域：精益生產(chǎn)及信息系統(tǒng)開發(fā)。本文通信作者。

汝"欣（1989-），女，博士，講師。 研究領(lǐng)域：機(jī)械工程，現(xiàn)代紡織裝備技術(shù)，計(jì)算機(jī)輔助設(shè)計(jì)。

收稿日期：2023-06-08

基金項(xiàng)目：浙江省科技計(jì)劃項(xiàng)目（2022C01065）；浙江省基礎(chǔ)公益研究計(jì)劃項(xiàng)目（LGG21E050024）