中圖分類號(hào)U418 文獻(xiàn)標(biāo)識(shí)碼A 文章編號(hào)2096-8949（2025）08-0016-03

0 引言

由于高速公路機(jī)電設(shè)備種類繁多，容易出現(xiàn)各種類型的故障。需要結(jié)合用于處理時(shí)序數(shù)據(jù)的深度學(xué)習(xí)模型，并利用多層多升卷積結(jié)構(gòu)實(shí)施卷積操作，以實(shí)現(xiàn)高效地捕捉時(shí)序數(shù)據(jù)中的長期依賴關(guān)系。時(shí)間卷積網(wǎng)絡(luò)模型訓(xùn)練速度和計(jì)算效率較高，使得其非常適用于高速公路機(jī)電設(shè)備的復(fù)合故障監(jiān)測，能夠從海量的運(yùn)行數(shù)據(jù)中準(zhǔn)確識(shí)別故障模式，提高監(jiān)測的實(shí)時(shí)性和準(zhǔn)確性。該文通過結(jié)合多源數(shù)據(jù)，構(gòu)建一種高效的故障監(jiān)測模型，以此來提高故障監(jiān)測的準(zhǔn)確率，在實(shí)際應(yīng)用中實(shí)現(xiàn)故障的早期預(yù)警和智能監(jiān)測。在分析過程中，唐貴基等采用快速譜相關(guān)原理設(shè)計(jì)獲取最優(yōu)載波，對(duì)最優(yōu)載波實(shí)施包絡(luò)處理，提取軸承復(fù)合故障特征并分離特征，實(shí)現(xiàn)準(zhǔn)確監(jiān)測復(fù)合故障。魏曉鵬等[為增強(qiáng)故障信號(hào)解卷積及故障特征，采用黏菌優(yōu)化算法優(yōu)化參數(shù)。通過分析故障信號(hào)互相關(guān)譜關(guān)系，獲得故障特征完成實(shí)時(shí)監(jiān)測。如果噪聲與故障信號(hào)在頻域或時(shí)域上重疊，會(huì)增加故障監(jiān)測難度。因此，該文以高速公路機(jī)電設(shè)備復(fù)合故障監(jiān)測為研究目標(biāo)，基于時(shí)間卷積網(wǎng)絡(luò)，結(jié)合實(shí)際情況進(jìn)行研究與分析。

1機(jī)電設(shè)備復(fù)合故障監(jiān)測

1.1機(jī)電設(shè)備復(fù)合故障數(shù)據(jù)提取

在無線傳感器網(wǎng)絡(luò)中，通過布置電流傳感器和監(jiān)測器采集機(jī)電設(shè)備復(fù)合故障數(shù)據(jù)。當(dāng)新的電流傳感器節(jié)點(diǎn)請(qǐng)求加入網(wǎng)絡(luò)時(shí)，協(xié)調(diào)器節(jié)點(diǎn)負(fù)責(zé)進(jìn)行驗(yàn)證并為其分配地址[3。若收到數(shù)據(jù)采集指令，則廣播該指令，并接收來自電流傳感器節(jié)點(diǎn)的數(shù)據(jù)。電流傳感器節(jié)點(diǎn)采集復(fù)合電流的故障數(shù)據(jù)，間隔 1 . 3 m s 進(jìn)行一次電流數(shù)據(jù)采樣。在規(guī)定的工頻電流波形周期內(nèi)，所有節(jié)點(diǎn)可收集周圍復(fù)合故障電流數(shù)據(jù)，擬合這些數(shù)據(jù)后即可獲得故障電流波形。電流傳感器節(jié)點(diǎn)的采樣過程可表示為：

式中， g （ t ） ——電流隨時(shí)間變化的函數(shù)； x 電流傳感器節(jié)點(diǎn)采樣值（A）。通過路由節(jié)點(diǎn)向電流傳感器節(jié)點(diǎn)傳遞信息，并將信息進(jìn)行傳遞。將電流傳感器節(jié)點(diǎn)采集的數(shù)據(jù)信息完整地發(fā)送至協(xié)調(diào)器節(jié)點(diǎn)[4]。同時(shí)，利用協(xié)調(diào)器節(jié)點(diǎn)組裝Zigbee網(wǎng)絡(luò)，并設(shè)置網(wǎng)絡(luò)參數(shù)。當(dāng)有新節(jié)點(diǎn)加入時(shí)，協(xié)調(diào)器節(jié)點(diǎn)為其分配地址，進(jìn)而通過電流傳感器節(jié)點(diǎn)采集電流數(shù)據(jù)。采集到的電流數(shù)據(jù)需進(jìn)行預(yù)處理，以獲取故障特征。將耦合網(wǎng)絡(luò)對(duì)應(yīng)的三相信號(hào)解耦為互相獨(dú)立的模態(tài)分量，估計(jì)不同尺度的信號(hào)能量。通過計(jì)算各尺度下的小波能量熵，可以實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的預(yù)處理。其計(jì)算公式為：

式中， H —故障數(shù)據(jù)預(yù)處理輸出； d （ n ） 離散信號(hào)的相關(guān)系數(shù)； N —信號(hào)長度； n —信號(hào)尺度。

1.2時(shí)間卷積網(wǎng)絡(luò)模型增強(qiáng)故障特征

建立時(shí)間卷積網(wǎng)絡(luò)模型用于高速公路機(jī)電設(shè)備故障特征提取。在時(shí)間序列數(shù)據(jù)分析領(lǐng)域，時(shí)間卷積網(wǎng)絡(luò)能夠捕獲全局信息，還能實(shí)現(xiàn)并行處理，從而在處理長序列數(shù)據(jù)時(shí)展現(xiàn)出高效性[5]。利用時(shí)間卷積網(wǎng)絡(luò)模型對(duì)高速公路機(jī)電設(shè)備的時(shí)序數(shù)據(jù)進(jìn)行卷積運(yùn)算，提取反映設(shè)備狀態(tài)的重要故障特征，高效地處理時(shí)間序列數(shù)據(jù)。時(shí)間卷積網(wǎng)絡(luò)模型在處理序列任務(wù)時(shí)，需要保證生成的輸出等于輸入長度。時(shí)間的輸出值僅基于過去的信息，這種時(shí)間約束性質(zhì)確保了因果關(guān)系，即當(dāng)前狀態(tài)僅由歷史狀態(tài)決定。因果卷積的數(shù)學(xué)表達(dá)式為：

式中， —時(shí)間序列元素； w ——濾波器權(quán)重； k 濾波器狀態(tài)； y ——因果卷積的輸出。在實(shí)際應(yīng)用中，使用矩陣形式來表示卷積操作，以處理多維數(shù)據(jù)。為了捕獲長距離的時(shí)間關(guān)系，時(shí)間卷積網(wǎng)絡(luò)模型引入了擴(kuò)展卷積[。設(shè)定因果擴(kuò)展卷積的多升因子為 時(shí)可獲得很大的感受域。則擴(kuò)展卷積的數(shù)學(xué)表達(dá)式為：

式中， d ——多升因子； f —濾波參數(shù)； 擴(kuò)展卷積的輸出。同時(shí)，通過引入殘差連接來改善深度神經(jīng)網(wǎng)絡(luò)中的計(jì)算存在的問題。殘差模塊以跨層的方式傳遞信息，殘差模塊的數(shù)學(xué)表達(dá)式為：

o = A （ x + G （ x ） ）

式中， A 激活函數(shù)； G （ x ） ——?dú)埐钭儞Q函數(shù)； 殘差模塊的輸出。為了進(jìn)一步提高時(shí)間卷積網(wǎng)絡(luò)模型在機(jī)電設(shè)備故障特征提取方面的性能，對(duì)原始時(shí)間卷積網(wǎng)絡(luò)模型進(jìn)行了改進(jìn)，引入了特征增強(qiáng)機(jī)制。為增加特征向量的維度，將額外的神經(jīng)網(wǎng)絡(luò)模塊引入輸入數(shù)據(jù)中。在因果擴(kuò)展卷積中使用二維卷積進(jìn)行替代，獲得增強(qiáng)后的故障特征。其計(jì)算公式為：

式中， —序列元素； j —維度方向； 二維卷積增強(qiáng)后的故障特征； d ——特征向量的維度。在卷積過程中，為保證網(wǎng)絡(luò)穩(wěn)定性，采用二維卷積使輸入數(shù)據(jù)與輸出數(shù)據(jù)維度一致。輸入特征通過改進(jìn)的時(shí)間卷積網(wǎng)絡(luò)模型處理，以快速運(yùn)行并減小誤差。在計(jì)算過程中，提取任意長度的序列，并生成與之類型相同的輸出序列，從而完成特征增強(qiáng)。

1.3設(shè)備復(fù)合故障監(jiān)測與監(jiān)測

在復(fù)合故障監(jiān)測過程中，運(yùn)用近鄰標(biāo)準(zhǔn)化方法，并結(jié)合變分模態(tài)分解和時(shí)間卷積網(wǎng)絡(luò)模型進(jìn)行故障監(jiān)測。數(shù)據(jù)集 X （ n ， m ） 中變量維數(shù)為 m ，設(shè)置 X （ n ， m ） 中每個(gè)樣本為 x ， 。計(jì)算每個(gè)樣本與 X （ n ， m ） 中剩余 個(gè)樣本時(shí)的余弦相似度，從大到小排列。選取相似度最高的幾個(gè)樣本作為 x i 的樣本鄰域 Q（ xi ） 。采用 Q（ xi ） 的標(biāo)準(zhǔn)化處理計(jì)算公式處理樣本，其計(jì)算公式為：

式中， μ ——均值； σ —方差； ———標(biāo)準(zhǔn)化處理輸出。同時(shí)，根據(jù)在不同時(shí)間尺度下的增強(qiáng)特征信息，使用VMD對(duì)數(shù)據(jù)進(jìn)行分解[。設(shè)定原始信號(hào)被分解為 k 個(gè)分量，為確保各模態(tài)分量具有最小的預(yù)計(jì)帶寬、有限的帶寬和明確的中心頻率。設(shè)置約束表達(dá)式，將約束變分問題轉(zhuǎn)換為便于計(jì)算的形式，采用交替方向乘子法求解[9。在獲取過程數(shù)據(jù)的多尺度表示后，從各分量中提取的復(fù)合故障特征進(jìn)行融合，通過輸出多個(gè)故障標(biāo)簽來解耦為多個(gè)單一故障，輸入到模型的全連接層進(jìn)行故障監(jiān)測，并通過模型輸出故障監(jiān)測的結(jié)果。輸出結(jié)果表示為：

式中， u —激活參數(shù)； S —模型輸出故障監(jiān)測結(jié)果。在故障監(jiān)測過程中，在多模態(tài)過程中，采集正常和故障工況下的數(shù)據(jù)樣本，用以構(gòu)建訓(xùn)練集，對(duì)每個(gè)訓(xùn)練樣本，計(jì)算其與訓(xùn)練集中其他樣本的余弦相似度，標(biāo)準(zhǔn)化處理前 k 個(gè)樣本的均值和方差[1o]。設(shè)置安全閾值為λ，通過對(duì)比輸出結(jié)果與閾值，可以對(duì)設(shè)備的安全狀態(tài)進(jìn)行監(jiān)測。當(dāng) s gt; λ 時(shí)，表示機(jī)電設(shè)備存在復(fù)合故障的情況，需要及時(shí)找到并進(jìn)行故障診斷處理，降低故障發(fā)生的概率。

2 試驗(yàn)測試與分析

2.1 試驗(yàn)環(huán)境搭建

該試驗(yàn)通過仿真高速公路機(jī)電設(shè)備運(yùn)行環(huán)境，收集故障模式下的電壓時(shí)序數(shù)據(jù)，為利用時(shí)間卷積網(wǎng)絡(luò)進(jìn)行模擬電路故障監(jiān)測提供數(shù)據(jù)集。直流激勵(lì)設(shè)置為 + 1 5 V 。在仿真中，設(shè)置單故障集，對(duì)每一類故障模式進(jìn)行Carlo分析，每個(gè)周期采樣120次。使用OrCAD進(jìn)行電路仿真。試驗(yàn)數(shù)據(jù)在搭載IntelE5-26708核CPU的服務(wù)器上進(jìn)行處理和分析。具體試驗(yàn)環(huán)境如下圖所示：

將數(shù)據(jù)輸入到模擬電路故障監(jiān)測前，需要對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理，映射到[0，1]區(qū)間內(nèi)。試驗(yàn)環(huán)境搭建在一個(gè)模擬的高速公路監(jiān)控系統(tǒng)中，通信網(wǎng)關(guān)將采集到的數(shù)據(jù)傳輸至服務(wù)器。在故障監(jiān)測階段，將待檢測的機(jī)電設(shè)備運(yùn)行數(shù)據(jù)輸入訓(xùn)練好的模型中，模型將輸出故障概率結(jié)果。

2.2結(jié)果與分析

該文針對(duì)高速公路機(jī)電設(shè)備復(fù)合故障數(shù)據(jù)進(jìn)行了深入分析，發(fā)現(xiàn)這些數(shù)據(jù)具有顯著的波動(dòng)性特征。采用模態(tài)分解法對(duì)負(fù)荷數(shù)據(jù)進(jìn)行了模態(tài)分解，設(shè)置迭代次數(shù)為5000次，在殘余分量最大值小于1時(shí)停止。經(jīng)過以上方法處理，成功分解為對(duì)應(yīng)的模態(tài)分量，分解結(jié)果如圖所示：

由圖中結(jié)果可知，該文方法分解得到的重構(gòu)誤差在[-1，1]之間，這充分說明了該文方法在處理復(fù)合故障數(shù)據(jù)時(shí)的準(zhǔn)確性。通過采用該方法對(duì)高速公路機(jī)電設(shè)備復(fù)合故障數(shù)據(jù)進(jìn)行模態(tài)分解，成功揭示了數(shù)據(jù)的內(nèi)在特征，并有效提高了數(shù)據(jù)處理的效率。

為了驗(yàn)證所提出的方法在故障監(jiān)測過程中的有效性，該文針對(duì)多模態(tài)TE過程數(shù)據(jù)，開展復(fù)合故障監(jiān)測的準(zhǔn)確性驗(yàn)證試驗(yàn)。試驗(yàn)中研究對(duì)象是正常工況、隨機(jī)變化故障。通過構(gòu)建3000個(gè)測試樣本，評(píng)估了TCN故障監(jiān)測方法的性能。具體如下圖所示：

試驗(yàn)結(jié)果表明：試驗(yàn)組的監(jiān)測準(zhǔn)確度達(dá)到了 9 5 % 而兩個(gè)對(duì)照組的監(jiān)測準(zhǔn)確度只在 60 % 以下。經(jīng)過對(duì)比分析，發(fā)現(xiàn)該文方法在故障監(jiān)測過程中能夠?qū)崿F(xiàn)精準(zhǔn)監(jiān)測，相較于其他方法的準(zhǔn)確性具有較大提升。這一結(jié)果驗(yàn)證了所提出的時(shí)間卷積網(wǎng)絡(luò)模型在復(fù)合故障監(jiān)測試驗(yàn)中具有優(yōu)越性。因此，可以得出結(jié)論，時(shí)間卷積網(wǎng)絡(luò)模型在多類故障的識(shí)別檢查能力上表現(xiàn)優(yōu)異，具有較高的準(zhǔn)確性和可靠性。

3結(jié)束語

該文基于時(shí)間卷積網(wǎng)絡(luò)提出了一種針對(duì)高速公路機(jī)電設(shè)備復(fù)合故障監(jiān)測的創(chuàng)新方法。通過利用時(shí)間卷積網(wǎng)絡(luò)模型在處理時(shí)序數(shù)據(jù)中的優(yōu)勢(shì)，結(jié)合多源數(shù)據(jù)融合技術(shù)和深度學(xué)習(xí)算法，實(shí)現(xiàn)了對(duì)機(jī)電設(shè)備故障的高效精準(zhǔn)監(jiān)測。然而，在實(shí)際應(yīng)用中，復(fù)雜的設(shè)備運(yùn)行環(huán)境可能導(dǎo)致數(shù)據(jù)的噪聲干擾，需要適應(yīng)更高頻次、更大規(guī)模的數(shù)據(jù)處理需求。因此，結(jié)合實(shí)際運(yùn)維需求，開發(fā)更加智能化的故障監(jiān)測和預(yù)警系統(tǒng)，實(shí)現(xiàn)從監(jiān)測到?jīng)Q策的全流程自動(dòng)化。未來可通過持續(xù)優(yōu)化技術(shù)手段和結(jié)合實(shí)際需求，提升故障監(jiān)測的效率，為智慧交通的建設(shè)和發(fā)展提供堅(jiān)實(shí)的基礎(chǔ)。

參考文獻(xiàn)

[1]唐貴基，張龍，薛貴，等.基于OFMD和FSC的滾動(dòng)軸承復(fù)合故障監(jiān)測[J].振動(dòng)與沖擊，2024（15）：160-168.

[2]魏曉鵬，高丙朋.基于優(yōu)化MCKD-VMD與互相關(guān)譜的軸承復(fù)合故障監(jiān)測[J].組合機(jī)床與自動(dòng)化加工技術(shù)，2023（3）：78-81.

[3]王建國，田野，劉皓宇，等.復(fù)合故障下風(fēng)電齒輪箱聲音信號(hào)耦合調(diào)制模型辨識(shí)與故障監(jiān)測[J].儀器儀表學(xué)報(bào)，2024（8）：58-68.

[4]陳賽賽，楊晨曦，陳超，等.基于小波核擴(kuò)散與雙階段SVM的軸承復(fù)合故障分類方法[J]儀器儀表學(xué)報(bào)，2023（10）：179-188.

[5]雷春麗，薛偉，樊高峰，等.考慮內(nèi)、外圈復(fù)合故障的角接觸球軸承振動(dòng)特性研究[J].振動(dòng)與沖擊，2024（14）：275-283.

[6]劉敏，程軍圣，謝小平，等.基于改進(jìn)的辛周期模態(tài)分解的滾動(dòng)軸承復(fù)合故障監(jiān)測方法[J].振動(dòng)與沖擊，2024（14）：47-56.

[7]張家軍，馬萍，張海，等.基于迭代增強(qiáng)變分模態(tài)提取的滾動(dòng)軸承復(fù)合故障監(jiān)測[J].振動(dòng)與沖擊，2024（7）：255-265.

[8]賈舜宇，齊詠生，魏淑娟，等.基于RF與D-S證據(jù)理論融合的多通道齒輪箱復(fù)合故障監(jiān)測[J].振動(dòng)與沖擊，2024（13）：115-125.

[9]甄冬，孫赫明，馮國金，等.基于包絡(luò)譜語義構(gòu)建的零樣本滾動(dòng)軸承復(fù)合故障監(jiān)測方法[J].振動(dòng)與沖擊，2024（14）：189-200+283.

[10]王譽(yù)翔，鐘智偉，夏鵬程，等.基于改進(jìn)Transformer的復(fù)合故障解耦監(jiān)測方法[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2023（5）：855-864.