中圖分類號：TP277；TH16 文獻(xiàn)標(biāo)識碼：A文章編號：2096-4706（2025）12-0007-06

Design of Rotating Machinery Fault Monitoring System Based on ZigBee and 4G Communication

ZHOUDeyi （Sichuan Vocational College of Information Technology，Guangyuan 628o4o，China）

Abstract：Asthecore equipmentofindustrial production，theruningstateofrotating machineryisdirectlyrelated tothe effciencyofthe productionsystemandthesafetyoftheequipment.Aimingatthepainpointsof raditional wiredmonitoring systems，suchascomplex wiring，manyblindareas，andpoor mobilitythisresearchinovatively integrates ZigBeelow-power ad-hoc networkand4G wide-area transmissontchnology，anddevelopsahierarchical wireless intellgent monitoringsytem. Thesystemconstructsatree-tierarchitectureTheperceptionlayer integrates multi-sourcesensorstorealizethecollectionof keyparameters such as vibrationand temperature.The transmission layer uses a ZigBee mesh network tocomplete workshop dataaggegation，andrealzescross-regional remote transmissiontrougha4Gmodule.Theaplicationlayerdeploysacloud dataanalysisplatform，integratestheminimum-maximumnormalizationmethodandtheConvolutionalNeuralNetworksmodel， andrealizesfaultfeatureextractionand intelligentdiagnosis.Comparedwithtraditionalmethods，thedetectioneffciencyofthe systemissignifcantlyimproved，providingreliabletechicalsupportforthepredictivemaintenanceofindustrialeuipment.

Keywords： ZigBee; 4G communication; fault diagnosis; multi-sensor

0 引言

在現(xiàn)代工業(yè)生產(chǎn)體系中，旋轉(zhuǎn)機械廣泛應(yīng)用于電力、化工、冶金、機械制造等眾多領(lǐng)域，如汽輪機、電機、風(fēng)機、泵等，它們是保障生產(chǎn)流程順利進(jìn)行的核心設(shè)備[]。旋轉(zhuǎn)機械在長期運行過程中，由于受到復(fù)雜的工況條件、交變載荷以及零部件老化等因素影響，不可避免地會出現(xiàn)各種故障[2]。這些故障若不能及時發(fā)現(xiàn)并處理，可能引發(fā)設(shè)備停機，甚至導(dǎo)致嚴(yán)重的安全事故，給企業(yè)帶來巨大的經(jīng)濟(jì)損失。因此，對旋轉(zhuǎn)機械進(jìn)行實時、有效的故障監(jiān)測，對于保障工業(yè)生產(chǎn)的穩(wěn)定運行、提高設(shè)備可靠性以及延長設(shè)備使用壽命具有重要意義[3-5]。

傳統(tǒng)的旋轉(zhuǎn)機械故障監(jiān)測方法多依賴于有線連接的傳感器與集中式監(jiān)測設(shè)備[。這種方式在實際應(yīng)用中暴露出諸多問題：布線工程復(fù)雜，需要耗費大量的人力、物力和時間成本；在設(shè)備布局調(diào)整或新增監(jiān)測點時，布線改動難度極大；同時，有線監(jiān)測系統(tǒng)的監(jiān)測范圍受線纜長度限制，難以覆蓋一些偏遠(yuǎn)或環(huán)境復(fù)雜的區(qū)域；此外，傳統(tǒng)監(jiān)測手段的數(shù)據(jù)處理和傳輸效率較低，無法滿足實時性和智能化的監(jiān)測需求。

隨著物聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，無線通信技術(shù)在工業(yè)監(jiān)測領(lǐng)域展現(xiàn)出獨特的優(yōu)勢[8]。ZigBee技術(shù)憑借其低功耗、自組織網(wǎng)絡(luò)、成本低廉等特點，非常適合構(gòu)建近距離、低速率的數(shù)據(jù)傳輸網(wǎng)絡(luò)，能夠高效地實現(xiàn)傳感器節(jié)點間的數(shù)據(jù)匯聚。而4G通信技術(shù)以其高帶寬、廣覆蓋、傳輸速度快等特性，解決了數(shù)據(jù)遠(yuǎn)距離高速傳輸?shù)碾y題。

基于此，本設(shè)計將ZigBee與4G通信技術(shù)有機結(jié)合，致力于打造一套全新的旋轉(zhuǎn)機械故障監(jiān)測系統(tǒng)。該系統(tǒng)旨在突破傳統(tǒng)監(jiān)測方式的局限，實現(xiàn)對旋轉(zhuǎn)機械運行狀態(tài)的全方位、實時、精準(zhǔn)監(jiān)測，通過先進(jìn)的數(shù)據(jù)分析算法及時發(fā)現(xiàn)故障隱患，為工業(yè)生產(chǎn)的安全穩(wěn)定運行提供有力保障，同時也為工業(yè)設(shè)備智能化監(jiān)測的發(fā)展提供新思路和實踐參考。

1實時故障監(jiān)測系統(tǒng)的設(shè)計

本系統(tǒng)采用分層架構(gòu)設(shè)計，涵蓋對象層、網(wǎng)絡(luò)層、云服務(wù)器層和用戶應(yīng)用程序?qū)?，各層協(xié)同運作，實現(xiàn)對旋轉(zhuǎn)機械的高效故障監(jiān)測。系統(tǒng)總體架構(gòu)如圖1所示。

承擔(dān)數(shù)據(jù)的接收、存儲與處理任務(wù)。平臺接收來自網(wǎng)絡(luò)層的數(shù)據(jù)后，運用故障診斷算法對數(shù)據(jù)進(jìn)行深入分析，以判斷機械設(shè)備是否存在故障。同時，該層作為數(shù)據(jù)交互的樞紐，通過HTTP/MQTT協(xié)議與用戶應(yīng)用程序?qū)舆M(jìn)行通信，為用戶應(yīng)用程序?qū)犹峁?shù)據(jù)支持。

4）用戶應(yīng)用程序?qū)?。用戶?yīng)用程序?qū)用嫦蛴脩?，提供多樣化的功能服?wù)，分為移動端（Mobile）和PC端（PC-sideWeb）。移動端具備視頻監(jiān)控、故障報警、數(shù)據(jù)存儲等功能，方便用戶隨時隨地獲取機械設(shè)備的狀態(tài)信息；PC端除了具備故障報警、數(shù)據(jù)存儲功能外，還提供數(shù)據(jù)分析、遠(yuǎn)程遙控和數(shù)據(jù)管理等功能，滿足用戶更深入的管理與分析需求。

2 通信模塊的硬件設(shè)計

在物聯(lián)網(wǎng)蓬勃發(fā)展的當(dāng)下，無線傳感器網(wǎng)絡(luò)（WirelessSensorNetwork，WSN）作為其領(lǐng)先的拓?fù)浣Y(jié)構(gòu)和具體實現(xiàn)方式，在工業(yè)監(jiān)測領(lǐng)域發(fā)揮著至關(guān)重要的作用[。在本旋轉(zhuǎn)機械故障監(jiān)測系統(tǒng)中，WSN負(fù)責(zé)監(jiān)控、通信和處理系統(tǒng)操作信息。WSN由眾多分布式傳感器組成，這些傳感器也被稱作智能節(jié)點，它們與芯片和無線收發(fā)器高度集成，協(xié)同工作以實現(xiàn)數(shù)據(jù)的采集與初步傳輸。本系統(tǒng)通信模塊硬件主要涵蓋4G網(wǎng)關(guān)、路由器以及協(xié)調(diào)器的設(shè)計，如圖2所示，它們各自承擔(dān)獨特功能，共同保障數(shù)據(jù)在復(fù)雜環(huán)境下穩(wěn)定、高效地從感知層傳輸至應(yīng)用層，從而確保系統(tǒng)對旋轉(zhuǎn)機械運行狀態(tài)的全方位、實時、精準(zhǔn)監(jiān)測。

系統(tǒng)總體架構(gòu)主要內(nèi)容包括：

1）對象層。對象層主要由機械設(shè)備與變頻器組成。機械設(shè)備是監(jiān)測的核心對象，其運行狀態(tài)直接關(guān)乎生產(chǎn)的穩(wěn)定性與效率。變頻器可調(diào)節(jié)機械設(shè)備的運行參數(shù)，以適應(yīng)不同的生產(chǎn)需求。在該層，ZigBee協(xié)調(diào)模塊通過RS-485接口與變頻器相連，遵循Modbus-RTU協(xié)議進(jìn)行通信，實現(xiàn)對機械設(shè)備運行狀態(tài)數(shù)據(jù)的采集，這些數(shù)據(jù)后續(xù)將借助ZigBee網(wǎng)絡(luò)傳輸至網(wǎng)絡(luò)層。

2）網(wǎng)絡(luò)層。網(wǎng)絡(luò)層由ZigBee協(xié)調(diào)模塊和4G網(wǎng)關(guān)構(gòu)成。ZigBee協(xié)調(diào)模塊負(fù)責(zé)構(gòu)建網(wǎng)狀網(wǎng)絡(luò)，與對象層的ZigBee協(xié)調(diào)模塊進(jìn)行通信，匯聚來自機械設(shè)備的運行數(shù)據(jù)。4G網(wǎng)關(guān)通過UART接口與ZigBee協(xié)調(diào)模塊相連，將接收到的數(shù)據(jù)通過2G/3G/4G/5G網(wǎng)絡(luò)傳輸至云服務(wù)器層，并支持Modbus-RTU協(xié)議，為數(shù)據(jù)的遠(yuǎn)距離傳輸提供可靠的網(wǎng)絡(luò)連接。

3）云服務(wù)器層。云服務(wù)器層采用OneNET云平臺，

圖1檢測系統(tǒng)的整體架構(gòu)

圖24G網(wǎng)關(guān)和ZigBee模塊

2.1 4G網(wǎng)關(guān)設(shè)計

4G網(wǎng)關(guān)在系統(tǒng)中承擔(dān)著將ZigBee網(wǎng)絡(luò)數(shù)據(jù)遠(yuǎn)距離傳輸至云服務(wù)器的重要任務(wù)。其硬件結(jié)構(gòu)如圖所示，核心部件為N720芯片，該芯片具備強大的通信處理能力，能夠穩(wěn)定支持2G/3G/4G網(wǎng)絡(luò)通信。4G網(wǎng)關(guān)配備了增益天線，能夠有效增強信號的收發(fā)能力，提升信號覆蓋范圍和傳輸穩(wěn)定性，確保在復(fù)雜環(huán)境下也能實現(xiàn)可靠的遠(yuǎn)距離數(shù)據(jù)傳輸。設(shè)備設(shè)有串行端口，用于與其他設(shè)備進(jìn)行串口通信，實現(xiàn)數(shù)據(jù)的交互與傳輸；微型USB接口則方便設(shè)備供電及數(shù)據(jù)的調(diào)試和下載等操作。此外，還設(shè)有啟動按鈕，便于對網(wǎng)關(guān)進(jìn)行啟動和復(fù)位等控制操作。

2.2 路由器設(shè)計

路由器在ZigBee網(wǎng)絡(luò)中起到數(shù)據(jù)轉(zhuǎn)發(fā)和拓展網(wǎng)絡(luò)覆蓋范圍的作用。其硬件主要由CC2530和CC2591芯片組成。CC2530是一款功能強大的無線微控制器，集成了8051內(nèi)核，具備良好的無線通信能力和數(shù)據(jù)處理能力，可實現(xiàn)ZigBee協(xié)議棧的運行以及數(shù)據(jù)的接收與發(fā)送等功能。CC2591作為射頻前端芯片，搭配增益天線，能夠顯著提高信號的傳輸距離和靈敏度，增強ZigBee網(wǎng)絡(luò)的覆蓋范圍和通信質(zhì)量。同時，路由器還設(shè)有RS-485接口，該接口可方便地與其他支持RS-485通信的設(shè)備進(jìn)行連接，如對象層的變頻器等，實現(xiàn)不同設(shè)備間的數(shù)據(jù)交互。

2.3 協(xié)調(diào)器設(shè)計

協(xié)調(diào)器是ZigBee網(wǎng)絡(luò)的核心組建部件，負(fù)責(zé)網(wǎng)絡(luò)的建立、管理和維護(hù)等工作。其硬件同樣采用CC2530和CC2591芯片組合：CC2530用于運行ZigBee協(xié)議棧，處理網(wǎng)絡(luò)相關(guān)事務(wù)，如設(shè)備的加入、認(rèn)證等；CC2591搭配增益天線，保障網(wǎng)絡(luò)通信的穩(wěn)定性和擴大覆蓋范圍。協(xié)調(diào)器配備了串行端口，可用于與其他設(shè)備進(jìn)行串口通信，實現(xiàn)數(shù)據(jù)的傳輸和交互；還設(shè)有OLED顯示屏，能夠?qū)崟r顯示網(wǎng)絡(luò)的相關(guān)狀態(tài)信息，如網(wǎng)絡(luò)連接狀態(tài)、設(shè)備節(jié)點數(shù)量等，便于用戶直觀地了解ZigBee網(wǎng)絡(luò)的運行情況。

3終端節(jié)點的軟件設(shè)計及用戶應(yīng)用

軟件開發(fā)在本旋轉(zhuǎn)機械故障監(jiān)測系統(tǒng)中占據(jù)關(guān)鍵地位，主要涵蓋ZigBee節(jié)點和4G網(wǎng)關(guān)的底層編程，以及云服務(wù)器的數(shù)據(jù)處理和用戶界面的設(shè)計等方面。其中，ZigBee節(jié)點和4G網(wǎng)關(guān)作為系統(tǒng)終端節(jié)點軟件設(shè)計的核心部分，其性能直接影響系統(tǒng)數(shù)據(jù)采集與傳輸?shù)男屎头€(wěn)定性。

3.1ZigBee節(jié)點和4G網(wǎng)關(guān)

為了實現(xiàn)監(jiān)控系統(tǒng)的功能拓展，ZigBee終端節(jié)點被設(shè)計為路由器和協(xié)調(diào)器，它們均為ZigBee協(xié)議中的全功能設(shè)備。ZigBee協(xié)調(diào)器和路由器節(jié)點（搭配4G網(wǎng)關(guān)）的軟件工作流程如圖3所示。具體步驟如下：

1）初始化階段，協(xié)調(diào)器節(jié)點和路由器節(jié)點分別進(jìn)行初始化操作。2）初始化完成后，協(xié)調(diào)器節(jié)點掃描通道，設(shè)置加密密鑰，選擇PANID并進(jìn)行廣播。3）路由器節(jié)點搜索無線信號，并向父節(jié)點發(fā)送一個連接請求，以獲取最大的能量。如果失敗，將持續(xù)幾次額外的嘗試。4）當(dāng)接收到請求時，協(xié)調(diào)器將與路由器建立一個父子關(guān)系，并為其分配一個本地網(wǎng)絡(luò)地址。5）路由器通過已安裝的終端相互聯(lián)網(wǎng)。6）在形成ZigBee無線網(wǎng)絡(luò)后，路由器模塊定期對運行信息進(jìn)行采樣，并通過一個協(xié)調(diào)器節(jié)點將其發(fā)送到4G網(wǎng)關(guān)。7）4G網(wǎng)關(guān)用于與協(xié)調(diào)器建立串行通信，并通過移動網(wǎng)絡(luò)連接到云服務(wù)器。8）4G網(wǎng)關(guān)進(jìn)入等待和監(jiān)聽狀態(tài)，從終端節(jié)點上傳數(shù)據(jù)，接收遠(yuǎn)程命令，控制設(shè)備。

3.2PC和移動端終端

云服務(wù)器在本旋轉(zhuǎn)機械故障監(jiān)測系統(tǒng)中扮演著數(shù)據(jù)處理與中轉(zhuǎn)的核心角色。它借助4G移動網(wǎng)絡(luò)，從底層設(shè)備接收運行信息，隨后由數(shù)據(jù)庫對這些信息進(jìn)行管理與處理。處理后的數(shù)據(jù)，通過HTTP/MQTT協(xié)議傳輸至終端應(yīng)用程序。此外，為了精準(zhǔn)定位有問題的逆變器并挖掘系統(tǒng)潛在隱患，系統(tǒng)基于上傳數(shù)據(jù)中的三相電流構(gòu)建了基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional NeuralNetworks，CNN）的故障診斷模型。

在用戶端，為了提升信息訪問的便捷性，系統(tǒng)提供了Web服務(wù)和小程序。用戶無須安裝軟件或獲取許可證，即可輕松訪問相關(guān)信息。PC端的網(wǎng)頁由超文本標(biāo)記語言（HTML）設(shè)計而成，如圖4所示。通過Web瀏覽器，用戶能夠輕松監(jiān)控運行數(shù)據(jù)和系統(tǒng)狀態(tài)，諸如實時電力、每日發(fā)電量等信息均可實時獲取，且相關(guān)信息以折線圖和直方圖的形式呈現(xiàn)，便于用戶直觀分析。

圖4HTML格式的PC端實時網(wǎng)絡(luò)可視化界面

移動端的小程序界面如圖5所示。小程序支持用戶直觀查看多個逆變器的當(dāng)前狀態(tài)，能夠通過圖形化顯示對數(shù)據(jù)進(jìn)行管理，還可實現(xiàn)遠(yuǎn)程控制操作，如開機/關(guān)機、并網(wǎng)／斷網(wǎng)等。此外，小程序具備運行日志存儲功能，并能及時報告警告信息，全方位保障逆變器在整個生命周期內(nèi)的安全、可靠運行。

圖5微信小程序上的可視化監(jiān)控界面

4基于CNN的機械故障診斷方法

在該系統(tǒng)中，我們通過處理從傳感器節(jié)點收集的數(shù)據(jù)來診斷機械系統(tǒng)中的故障。CNN作為一種有效的深度學(xué)習(xí)方法[，已成功地應(yīng)用于涉及時間序列數(shù)據(jù)的各種場景，特別是在控制系統(tǒng)中[0-1]。CNN診斷模型包括數(shù)據(jù)處理、交叉熵計算、卷積層、池化層、全連接層等關(guān)鍵神經(jīng)層。本系統(tǒng)中植入了基于CNN的故障診斷模塊，該模塊詳細(xì)設(shè)計了CNN診斷模型，如圖6所示。

圖6CNN故障診斷模型的流程圖

4. 1 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)預(yù)處理階段，需要對收集到的速度、振動、電壓和電流等數(shù)據(jù)集進(jìn)行分析。數(shù)據(jù)采集過程是通過工業(yè)無線傳感器網(wǎng)絡(luò)系統(tǒng)進(jìn)行，實時收集的數(shù)據(jù)在預(yù)處理階段采用最小-最大歸一化方法[12]。最小-最大歸一化方法（Min-MaxNormalization）是一種常用的數(shù)據(jù)歸一化技術(shù)，用于將數(shù)據(jù)縮放到特定范圍內(nèi)，通常是0到1之間。該方法通過對原始數(shù)據(jù)進(jìn)行線性變換，將最小值映射到0，最大值映射到1，然后按照線性比例縮放其他數(shù)值。具體過程如下：

其中， X_max 和 X_min 為實時收集的數(shù)據(jù)（用 X 表示）的最小值和最大值， X^* 為 X_max 的歸一化值。

4.2 卷積層

卷積層主要用于從輸入數(shù)據(jù)中提取特征，通過應(yīng)用卷積操作對輸入數(shù)據(jù)進(jìn)行濾波處理，并生成具有局部感知性的特征映射。通過堆疊多個卷積層，CNN能夠逐漸學(xué)習(xí)到更抽象、更高級的特征表示，從而提高模型的表達(dá)能力和性能。卷積層包含一系列可學(xué)習(xí)的卷積核和參數(shù)，這些卷積核和參數(shù)在原始輸入數(shù)據(jù)和卷積核之間執(zhí)行卷積運算。具有非線性激活的卷積過程如下：

其中， ξ_h^（b） 為第 h 個卷積層中的第 b 個核的輸出，χ_（h-1）^（r） 為前一層網(wǎng)絡(luò)的第 r 個輸出層， ? 為卷積運算，（20 α_h^（b） 和 β_h^（b） 為第 h 個卷積層的第 b 個核的權(quán)重和偏差，ReLU為激活函數(shù)。

4.3 池化層

池化層主要用于對輸入數(shù)據(jù)進(jìn)行下采樣操作。通過運用池化層，神經(jīng)網(wǎng)絡(luò)能夠逐步減小特征圖的尺寸，降低計算成本，并且在保留主要信息的同時提高模型的效率和泛化能力。為了避免過擬合，池化層經(jīng)常被附加到卷積層上。它通過將附近的特征值融合成一個值[13]，并將最大池運算符分別應(yīng)用于每個特征映射來實現(xiàn)最大池化具體流程如下：

ξ_h+1^（b）=max_{（ν-1）w[ξh^（b）（y）]}

其中， ξ_h^（b）（y） 為第 h 層的第 b 個特征圖中的第 y 個值， ξ_h+1^（b） 為第 h+1 個池化層的第 b 個特征圖中的結(jié)果，w 為池化窗口的高度。

4.4全連接層

全連接層也被稱為密集連接層或輸出層，主要用于特征整合、非線性映射、分類和預(yù)測、參數(shù)學(xué)習(xí)等。在交替堆疊多個卷積層和池化層之后，接著是扁平化層，將提取的特征圖轉(zhuǎn)化為一維數(shù)組[14]。輸出層使用Softmax激活函數(shù)對全連接層的輸出進(jìn)行歸一化處理，使其符合概率分布[15]。Softmax 函數(shù)的輸出定義為：

其中， V_g 為 Softmax函數(shù)的輸入 g=1 ，2，…， z ，P_l=[P（L_l=1）P（L_l=g）P（L_l=z）] 是第 l 個函數(shù)歸一化后的輸出值， P=（L_l=g） 是屬于標(biāo)簽 g 的第 l 個樣本的概率值。 P_l 中每一行的最大值對應(yīng)的標(biāo)簽為CNN診斷結(jié)果。

5結(jié)論

本研究聚焦于旋轉(zhuǎn)機械故障監(jiān)測系統(tǒng)的設(shè)計，通過將ZigBee和4G通信技術(shù)有機結(jié)合，成功構(gòu)建了一套高效、可靠的監(jiān)測系統(tǒng)。在硬件層面，該系統(tǒng)精心設(shè)計了4G網(wǎng)關(guān)、路由器以及協(xié)調(diào)器等關(guān)鍵組件，確保數(shù)據(jù)在復(fù)雜的工業(yè)環(huán)境中能夠穩(wěn)定、高效地傳輸；在軟件層面，該系統(tǒng)涵蓋了ZigBee節(jié)點和4G網(wǎng)關(guān)的底層編程，以及云服務(wù)器的數(shù)據(jù)處理和用戶界面的設(shè)計，實現(xiàn)了從數(shù)據(jù)采集、傳輸?shù)椒治?、展示的全流程功能。在故障診斷環(huán)節(jié)，基于CNN的故障診斷方法展現(xiàn)出卓越的性能，能夠精準(zhǔn)提取旋轉(zhuǎn)機械運行信號中的故障敏感特征，憑借其快速的訓(xùn)練速度和高分類精度，準(zhǔn)確判斷故障類型，為及時采取維修措施提供了有力依據(jù)。

參考文獻(xiàn)：[1]MAURYAM，PANIGRAHII，DASHD，etal.

Intelligent Fault Diagnostic System for Rotating Machinery

Based on IoT with Cloud Computing and Artificial Intelligence

Techniques： A Review [J].Soft Computing： A Fusion of Foundations，

Methodologies and Applications，2024，28（1）：477-494.

[2]王英杰，朱景建，龔智強，等.基于DAE-BiLSTM-

CNN的滾動軸承故障診斷方法[J].機械設(shè)計，2024，41（11）：

123-129.

[3]馬建，王建平，孟德安，等.永磁同步電機故障診斷

方法研究綜述[J].電力工程技術(shù)，2024，43（4）：104-115.

[4]JIGYASUR，SHRIVASTAVAV，SINGHS.Hybrid

Multi-model Feature Fusion-Based Vibration Monitoring for

Rotating Machine Fault Diagnosis [J].Journal of Vibration

Engineeringamp; Technologies，2024，12：2791-2810.

[5]宮文峰，陳輝，張美玲，等.基于深度學(xué)習(xí)的電機軸

承微小故障智能診斷方法[J].儀器儀表學(xué)報，2020，41（1）：

195-205.

[6]LI X，CHENGJ，SHAO HD，et al.AFusion

CWSMM-Based Framework for Rotating Machinery Fault

Diagnosis Under Strong Interference and Imbalanced Case [J].

IEEE transactions on industrial informatics，2022，18（8）：

5180-5189.

[7]陳立群，楊天智.基于視頻的機械裝備全場振動測量

研究[J].力學(xué)進(jìn)展，2021，51（2）：376-381.

[8]陳起磊，蔣亦悅，唐瑤，等.基于時頻圖與改進(jìn)圖卷

積神經(jīng)網(wǎng)絡(luò)的異步電機故障診斷方法[J].振動與沖擊，2022，

41（24）：241-248.

[9] WANG S，YU ZL，LIU X，et al. Fault Monitoring and

Diagnosis ofMotorized Spindle in Five-Axis Machining Center

Based on CNN-SVM-PSO [J].Mechanical Engineering Science，

2022（2）：21-29.

[10]李俊卿，劉靜.結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的電

機軸承故障診斷方法[J].華北電力大學(xué)學(xué)報：自然科學(xué)版，

2023，50（1）：

[11]高浩寒，潮群，徐孜，等．小樣本下基于孿生神經(jīng)網(wǎng)

絡(luò)的柱塞泵故障診斷[J].北京航空航天大學(xué)學(xué)報，2023，49（1）：

155-164.

[12]賴榮桑，閆高強.基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障

診斷研究綜述[J].機電工程，2024，41（2）：194-204.

[13]HANT，LIUC，YANGWG，et al.ANovel Adversarial

Learning Framework in Deep Convolutional Neural Network for

Intelligent Diagnosis of Mechanical Faults[J].Knowledge-Based

Systems，2019，165：474-487.

[14] ZHOUQT，XUELX，HEJ，etal.ARotatingMachinery

FaultDiagnosisMethodBasedonDynamicGraphConvolution

Network and Hard Threshold Denoising[J/OL].Sensors，2024，24（15）

[2025-01-08].https：//doi.org/10.3390/s24154887.

[15]LEIDC，CHENLT，TANGJY.MiningofWeak

FaultInformationAdaptivelyBasedonDNNInversionEstimation forFaultDiagnosisofRotatingMachinery[J].IEEE Access，2022 （10）：6147-6164.

作者簡介：周德義（1995一），男，漢族，甘肅武威人，助教，碩士研究生，研究方向：信號處理、信息融合、故障診斷、物聯(lián)網(wǎng)應(yīng)用技術(shù)。