使用随机卷积核的多类电气与机械故障分类

# 基于随机卷积核的多类机电故障分类
来源：https://arxiv.org/html/2608.18716
作者：Mouhamadou Mansour LO（隶属关系：UR 4025，LSEE，阿尔图瓦大学，F-62400 贝蒂讷，法国，邮箱：[email protected]），Mouad TALBAOUI（隶属关系同前，邮箱：[email protected]），Gildas MORVAN（隶属关系：UR 3926，LGI2A，阿尔图瓦大学，F-62400 贝蒂讷，法国，邮箱：[email protected]），Mathieu ROSSI（隶属关系同LO，邮箱：[email protected]），Fabrice MORGANTI（隶属关系同LO，邮箱：[email protected]），David MERCIER（隶属关系同MORVAN，邮箱：[email protected]）

###### 摘要

诊断旋转机械的故障对于确保工业流程的可靠性至关重要。基于随机卷积核的时间序列分类方法，例如ROCKET及其变体，在预测性能和计算效率之间提供了一个极具吸引力的平衡。在这项工作中，我们评估了*SelF-Rocket*用于机械和电气故障的多类诊断能力，并作为一种新的贡献，引入了原始方法的多元扩展。所提方法在单变量和多变量设置下，使用两个公开基准数据集MaFaulDa（机械故障）和ITSC-UDG（定子匝间短路）与领先的ROCKET系方法进行了比较。实验结果表明，*SelF-Rocket*在所评估的方法中实现了最佳的总体精度-延迟权衡，在MaFaulDa上获得了最高的分类性能，同时在更具挑战性的ITSC-UDG数据集上也保持了高度的竞争力。

###### 索引关键词：

故障诊断，旋转机械，单变量和多元时间序列分类，随机卷积核

## I 引言

旋转机械的故障诊断是工业流程中的一个反复出现的问题[1]。已经开发了大量方法来推导有助于预测机械部件（轴承、不平衡、不对中、偏心）退化或电气故障（匝间短路）发生的指标。经典方法通常依赖于频域分析，并且需要专家（物理）知识来了解这些故障以及机器特性（极数、转速、工作点）[2, 3]。因此，它们可能难以实施、泛化能力差，并且在实践中并不总是有效。近年来，基于机器学习，特别是深度学习的方法已经兴起[4]。虽然它们取得了非常优异的性能，但需要大量的数据和相当大的计算资源。为了平衡性能和计算成本，基于随机卷积核的方法（随ROCKET引入[5]）最近在时间序列分类领域引起了相当大的关注。与学习卷积滤波器不同，这些方法随机生成大量滤波器，并通过池化操作符提取简单的描述符，然后将其传递给线性分类器。因此，它们在显著减少训练时间并消除对故障或机器特性任何先验专家知识需求的同时，达到了与深度学习相当的性能。此后已提出许多变体，例如MiniRocket[6]、MultiRocket[7]和Hydra[8]，改善了精度和效率之间的权衡。大多数这些方法依赖于一个或多个固定的池化操作符，例如正比例值，结合预定义的输入表示来从时间序列中提取特征。然而，尽管PPV是一个可靠的默认选项，但它不一定是对每个数据集都最优的操作符[9]。基于这一观察，SelF-Rocket（特征选择火箭）[9]建立在MiniRocket的基础上，在训练期间从一组候选中动态选择最佳的输入表示-池化操作符对，而不是依赖于预先固定的单一组合。在本文中，我们引入了SelF-Rocket的多元扩展，并评估其用于旋转机械中机械和电气故障的多类诊断能力。单变量和多元版本均在两个公开数据集MaFaulDa[10]（机械故障）和ITSC-UDG[11]（匝间短路）上与主要的ROCKET系方法进行了比较，同时考虑了预测性能和计算效率。本文的其余部分组织如下。第II节描述了两个数据集，第III节介绍了所提方法。然后在第IV节报告并分析结果。最后，在第V节给出结论性评述和一些展望。

## II 数据集描述

### II-A MaFaulDa 数据集

机械故障数据库（MaFaulDa）是一个公开可用的基准数据集，用于旋转机械的机械故障诊断。它包含1951个多元时间序列，每个序列使用八个测量通道记录5秒，采样频率为50 kHz：来自三轴加速度计的三个振动通道（径向、轴向和切向）、三个额外的单轴振动通道、一个转速计通道和一个麦克风通道。数据使用SpectraQuest机械故障模拟器（MFS）对中-平衡-振动训练器（ABVT）采集。该数据集涵盖一种健康状态和九种故障状态，包括转子不平衡、水平和垂直不对中，以及轴承在悬挂和外伸位置的缺陷。轴承故障进一步根据缺陷位置（保持架、外圈和滚动体）进行分类，总共形成十个类别。录制对应于故障类型、转速和故障严重程度的不同组合。转速范围从737到3686 rpm，大约有49个工作点，增量约为60 rpm，为故障诊断提供了多种多样的操作场景。

### II-B ITSC-UDG 数据集

ITSC-UDG（瓜纳华托大学）数据集是一个公开可用的基准数据集，用于感应电机的电气故障诊断。它包含65个多元时间序列，每个序列记录同时测量的三相定子电流，以1 kHz的采样频率记录5秒。该数据集侧重于诊断三相鼠笼感应电机定子绕组中的匝间短路故障。作者提供了两个版本的数据集：一个原始版本，每个记录包含5000个样本；一个预处理版本，每个记录包含1000个样本，通过对信号进行滤波并仅保留稳态故障区域获得。在本文中，我们使用原始版本，以便应用与MaFaulDa数据集相同的预处理流程。它包括13种工作条件：一种健康状态和12种ITSC故障条件，对应于三个定子相和四个故障严重程度等级（受影响绕组匝数的10%、20%、30%和40%）。因此，该数据集可以识别故障相和故障严重程度。所有测量均在稳态空载条件下以1725 rpm、60 Hz电源频率采集。每个工作条件记录了五次独立重复。

## III 提出的模型

### III-A 面向多元时间序列分类的SelF-Rocket

我们提出的方法，*SelF-Rocket*，通过一个特征选择模块在训练期间保留最具判别性的特征，扩展了MiniRocket，从而自动选择输入表示和池化操作符的最佳组合。SelF-Rocket在一组IR-PO候选上进行搜索。输入表示包括原始序列、其一阶差分以及它们的串联。除了MiniRocket使用的正比例值外，候选池化操作符还包括正比例值的均值、正比例值索引的均值、正比例值的最长连续长度和过零点，后者计算激活图中的符号变化次数[12]。图1展示了*SelF-Rocket*提出的多元架构，该架构建立在[9]中引入的单变量框架之上。主要修改涉及激活图聚合阶段。对于每个核κ，选择一个输入维度的随机子集Sκ（最大基数为9），并将计算在Sκ通道上的卷积响应求和，以产生单个激活图。因此，计算复杂度不再随输入维度数量线性缩放，使所提方法适用于高维多元时间序列。

⋮\\vdots时间多元时间序列NNTTCC输入表示N×C×TN\\times C\\times T随机一维卷积核Nker×lkerN\_{ker}\\times\\ell\_{ker}Ai,κ,Sκ(t)=∑c∈Sκ(Xi,c∗Wκ)(t)A\_{i,\\kappa,S\_{\\kappa}}(t)=\\sum\_{c\\in S\_{\\kappa}}\\left(X\_{i,c}\\ast W\_{\\kappa}\\right)(t)∀i∈{1,...,N}\\forall i\\in\\{1,\\dots,N\\}∀κ∈{1,...,Nker}\\forall\\kappa\\in\\{1,\\dots,N\_{ker}\\}∀t∈{1,...,T−lker+1}\\forall t\\in\\{1,\\dots,T-\\ell\_{ker}+1\\}D={d1,...,dC},Sκ⊆D\\mathcal{D}=\\{d\_{1},\\dots,d\_{C}\\},\\qquad S\_{\\kappa}\\subseteq\\mathcal{D}Mκ∼U⁡(1,...,9)M\_{\\kappa}\\sim\\mathcal{U}(1,\\ldots,9)Sκ∼U⁡(PMκ(D))S\_{\\kappa}\\sim\\mathcal{U}\\left(\\mathcal{P}\_{M\_{\\kappa}}(\\mathcal{D})\\right)PMκ(D)={H⊆D:|H|=Mκ}\\mathcal{P}\_{M\_{\\kappa}}(\\mathcal{D})=\\{\\mathcal{H}\\subseteq\\mathcal{D}:|\\mathcal{H}|=M\_{\\kappa}\\}激活图聚合N×Nker×(T−lker+1)N\\times N\_{ker}\\times(T-\\ell\_{ker}+1)池化操作符(PPV, ZC, ...)N×Nker×NPON\\times N\_{ker}\\times N\_{PO}特征选择N×NkerN\\times N\_{ker}岭回归训练

图1：多元SelF-Rocket训练架构
### III-B 提出的流程

大多数旋转机械故障诊断方法依赖于特征工程，即在分类之前从测量信号中提取信息丰富的统计特征。这些特征通常在时域、频域和时频域中计算。常见的时域特征包括均值、中值、均方根、标准差、方差、偏度、峰度和熵。频域特征通常从信号频谱中导出，例如基频及其边带分量的幅值，而时频特征则通过应用小波变换然后从所得系数中提取统计描述符获得。原始录制被随机分割成Nw=3个固定长度的窗口，窗口大小w∈{250,500,1000,2500,4500,5000}个样本。提取窗口的数量被有意限制，以避免来自同一录制的高度相关段之间的过度冗余，从而促进训练数据具有更大的多样性。除了通过减少对位置信息（即信号相位）的依赖来提高鲁棒性外，此预处理步骤还产生等长的时间序列，这是像ROCKET这样的基于卷积的方法的前提。相反，传统的特征工程方法可以处理不同长度的信号。为了防止从同一录制中提取的相似窗口导致数据泄漏，采用了分层分组K折交叉验证策略，确保给定录制的所有窗口都属于同一个折叠，同时保留类分布。完整训练流程的概述如图2所示。

图2：利用来自旋转机械的多元时间序列传感器数据进行多类故障分类的提出流程
## IV 实验结果与讨论

### IV-A 实验设置

所有实验均在配备Intel Core i9-13900H vPro处理器（2.6 GHz）、32 GB RAM并运行Windows 11的Dell Precision 5480上进行。我们的方法使用Python 3.11.4实现，而基于ROCKET的基线方法使用AEON Python工具包实现[13]。相应的超参数设置见表I。

表I：每个ROCKET系分类器的超参数设置。标有*的方法在AEON Python工具包中实现。
每个数据集使用重复两次的分层分组K折交叉验证协议进行评估，重复五次，总共产生10个训练-测试分割。采用两折策略以保持训练集和测试集平衡，同时最大化用于评估模型泛化性能的未见数据量。所有方法在相同的数据划分上进行训练和评估，以确保公平比较。性能报告为平均分类分数、平均执行时间及其在10折交叉验证中的相应标准误差，提供预测性能和计算效率的估计。多类分类器的性能通过混淆矩阵总结，对于每个类别k，从中推导出*真正例*、*假正例*、*真负例*和*假负例*。预测性能使用三个互补指标进行评估：*准确率*、*平衡准确率*和*宏观平均F1分数*，其定义基于每个类别的精确率P_k=TP_k/(TP_k+FP_k)和召回率R_k=TP_k/(TP_k+FN_k)为：

准确率=∑k=1KTPkN,\\mathrm{Accuracy}=\\frac{\\sum_{k=1}^{K}TP_{k}}{N},(1)平衡准确率=1K∑k=1KRk,\\mathrm{Balanced\\ Accuracy}=\\frac{1}{K}\\sum_{k=1}^{K}R_{k},(2)F1macro=1K∑k=1K2Pk⋅RkPk+Rk,F1_{\\mathrm{macro}}=\\frac{1}{K}\\sum_{k=1}^{K}\\frac{2P_{k}\\cdot R_{k}}{P_{k}+R_{k}},(3)其中K表示类别数，N表示实例总数。

### IV-B MaFaulDa 数据集

#### IV-B1 分类性能

我们首先使用单变量设置下的窗口大小w∈{500,1000,2500,5000}以及多变量设置下的窗口大小w∈{250,500}，比较*SelF-Rocket*与其他基于ROCKET的方法的分类性能。