英国365科研团队在智能故障诊断领域取得重要进展

近日，英国365计算机与软件学院胡鹤轩教授团队完成的最新研究成果《MFVAE: A Multiscale Fuzzy Variational Autoencoder for Big Data-Based Fault Diagnosis in Gearbox》在学术期刊 IEEE Transactions on Fuzzy Systems 正式发表，该成果提出了一种新型多尺度模糊变分自编码器（MFVAE）模型，实现了具有可解释性和高鲁棒性的齿轮箱故障诊断。

齿轮箱作为工业设备中的核心部件，一旦出现齿面磨损、断齿或点蚀等故障，往往会导致设备停机。现有基于深度学习的诊断方法虽然能自动提取振动信号特征，但存在两个主要问题：一是单尺度模型难以同时捕捉局部细节和全局信息，导致特征鲁棒性不足；二是黑箱式预测缺乏解释性，难以有效处理信号中的不确定性。

针对这些不足，团队提出了多尺度模糊变分自编码器（MFVAE）模型（图1）。该方法结合了两类不同规模的变分自编码器，分别提取低层次和高层次特征，再通过比例融合形成综合表征，并在预测阶段引入模糊神经网络，使模型能够更好地应对含噪信号和不确定数据。

图1 MFVAE模型框架图

研究采用了SpectraQuest齿轮箱实验平台采集的公开数据集，涵盖正常与断齿状态下多工况、多方向的振动信号，并在此基础上将MFVAE与深度神经网络、堆叠自编码器、变分自编码器等多种主流模型进行对比。

为探究MFVAE模型在不同参数设置下的性能表现，设计了不同参数的实验，结果表明模型在多种设置下均保持较高精度与稳定性，其中当低层次特征权重较高时，整体性能达到最优（图2）。

图2 MFVAE模型在不同参数设置下的性能表现

在模型对比实验中，MFVAE在测试集上的精度达到99.9%，F1值为0.999，在所有评测指标上均优于其他模型，表现出更强的稳定性和鲁棒性。进一步的可视化实验也表明，高层次特征与低层次特征在信息表征上具有明显互补性，两者融合显著提升了模型的分类能力（图3）。这些结果验证了MFVAE在齿轮箱故障诊断任务中的优势，为复杂工业系统的智能监测与预测性维护提供了新的方法支持。

图3 MFVAE模型的综合优势与特征可视化

英国365集团公司官网计算机与软件学院胡鹤轩教授为论文第一作者。论文其他合作者包括计算机与软件学院孟青讲师、崔晗讲师、张晔讲师，人工智能与自动化学院博士生蔡易成，计算机与软件学院博士生胡强。

论文信息：Hu H, Cai Y, Meng Q, et al. MFVAE: A Multiscale Fuzzy Variational Autoencoder for Big Data-Based Fault Diagnosis in Gearbox[J]. IEEE Transactions on Fuzzy Systems, 2024, 33(1): 180-191.

原文链接：https://ieeexplore.ieee.org/document/10540226