基于時間卷積網絡的高速公路機電設備復合故障監測

中圖分類號U418 文獻標識碼A 文章編號2096-8949（2025）08-0016-03

0 引言

由于高速公路機電設備種類繁多，容易出現各種類型的故障。需要結合用于處理時序數據的深度學習模型，并利用多層多升卷積結構實施卷積操作，以實現高效地捕捉時序數據中的長期依賴關系。時間卷積網絡模型訓練速度和計算效率較高，使得其非常適用于高速公路機電設備的復合故障監測，能夠從海量的運行數據中準確識別故障模式，提高監測的實時性和準確性。該文通過結合多源數據，構建一種高效的故障監測模型，以此來提高故障監測的準確率，在實際應用中實現故障的早期預警和智能監測。在分析過程中，唐貴基等采用快速譜相關原理設計獲取最優載波，對最優載波實施包絡處理，提取軸承復合故障特征并分離特征，實現準確監測復合故障。魏曉鵬等[為增強故障信號解卷積及故障特征，采用黏菌優化算法優化參數。通過分析故障信號互相關譜關系，獲得故障特征完成實時監測。如果噪聲與故障信號在頻域或時域上重疊，會增加故障監測難度。因此，該文以高速公路機電設備復合故障監測為研究目標，基于時間卷積網絡，結合實際情況進行研究與分析。

1機電設備復合故障監測

1.1機電設備復合故障數據提取

在無線傳感器網絡中，通過布置電流傳感器和監測器采集機電設備復合故障數據。當新的電流傳感器節點請求加入網絡時，協調器節點負責進行驗證并為其分配地址[3。若收到數據采集指令，則廣播該指令，并接收來自電流傳感器節點的數據。電流傳感器節點采集復合電流的故障數據，間隔 1 . 3 m s 進行一次電流數據采樣。在規定的工頻電流波形周期內，所有節點可收集周圍復合故障電流數據，擬合這些數據后即可獲得故障電流波形。電流傳感器節點的采樣過程可表示為：

式中， g （ t ） ——電流隨時間變化的函數； x 電流傳感器節點采樣值（A）。通過路由節點向電流傳感器節點傳遞信息，并將信息進行傳遞。將電流傳感器節點采集的數據信息完整地發送至協調器節點[4]。同時，利用協調器節點組裝Zigbee網絡，并設置網絡參數。當有新節點加入時，協調器節點為其分配地址，進而通過電流傳感器節點采集電流數據。采集到的電流數據需進行預處理，以獲取故障特征。將耦合網絡對應的三相信號解耦為互相獨立的模態分量，估計不同尺度的信號能量。通過計算各尺度下的小波能量熵，可以實現對故障數據的預處理。其計算公式為：

式中， H —故障數據預處理輸出； d （ n ） 離散信號的相關系數； N —信號長度； n —信號尺度。

1.2時間卷積網絡模型增強故障特征

建立時間卷積網絡模型用于高速公路機電設備故障特征提取。在時間序列數據分析領域，時間卷積網絡能夠捕獲全局信息，還能實現并行處理，從而在處理長序列數據時展現出高效性[5]。利用時間卷積網絡模型對高速公路機電設備的時序數據進行卷積運算，提取反映設備狀態的重要故障特征，高效地處理時間序列數據。時間卷積網絡模型在處理序列任務時，需要保證生成的輸出等于輸入長度。時間的輸出值僅基于過去的信息，這種時間約束性質確保了因果關系，即當前狀態僅由歷史狀態決定。因果卷積的數學表達式為：

式中， —時間序列元素； w ——濾波器權重； k 濾波器狀態； y ——因果卷積的輸出。在實際應用中，使用矩陣形式來表示卷積操作，以處理多維數據。為了捕獲長距離的時間關系，時間卷積網絡模型引入了擴展卷積[。設定因果擴展卷積的多升因子為 時可獲得很大的感受域。則擴展卷積的數學表達式為：

式中， d ——多升因子； f —濾波參數； 擴展卷積的輸出。同時，通過引入殘差連接來改善深度神經網絡中的計算存在的問題。殘差模塊以跨層的方式傳遞信息，殘差模塊的數學表達式為：

o = A （ x + G （ x ） ）

式中， A 激活函數； G （ x ） ——殘差變換函數； 殘差模塊的輸出。為了進一步提高時間卷積網絡模型在機電設備故障特征提取方面的性能，對原始時間卷積網絡模型進行了改進，引入了特征增強機制。為增加特征向量的維度，將額外的神經網絡模塊引入輸入數據中。在因果擴展卷積中使用二維卷積進行替代，獲得增強后的故障特征。其計算公式為：

式中， —序列元素； j —維度方向； 二維卷積增強后的故障特征； d ——特征向量的維度。在卷積過程中，為保證網絡穩定性，采用二維卷積使輸入數據與輸出數據維度一致。輸入特征通過改進的時間卷積網絡模型處理，以快速運行并減小誤差。在計算過程中，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。

1.3設備復合故障監測與監測

在復合故障監測過程中，運用近鄰標準化方法，并結合變分模態分解和時間卷積網絡模型進行故障監測。數據集 X （ n ， m ） 中變量維數為 m ，設置 X （ n ， m ） 中每個樣本為 x ， 。計算每個樣本與 X （ n ， m ） 中剩余 個樣本時的余弦相似度，從大到小排列。選取相似度最高的幾個樣本作為 x i 的樣本鄰域 Q（ xi ） 。采用 Q（ xi ） 的標準化處理計算公式處理樣本，其計算公式為：

式中， μ ——均值； σ —方差； ———標準化處理輸出。同時，根據在不同時間尺度下的增強特征信息，使用VMD對數據進行分解[。設定原始信號被分解為 k 個分量，為確保各模態分量具有最小的預計帶寬、有限的帶寬和明確的中心頻率。設置約束表達式，將約束變分問題轉換為便于計算的形式，采用交替方向乘子法求解[9。在獲取過程數據的多尺度表示后，從各分量中提取的復合故障特征進行融合，通過輸出多個故障標簽來解耦為多個單一故障，輸入到模型的全連接層進行故障監測，并通過模型輸出故障監測的結果。輸出結果表示為：

式中， u —激活參數； S —模型輸出故障監測結果。在故障監測過程中，在多模態過程中，采集正常和故障工況下的數據樣本，用以構建訓練集，對每個訓練樣本，計算其與訓練集中其他樣本的余弦相似度，標準化處理前 k 個樣本的均值和方差[1o]。設置安全閾值為λ，通過對比輸出結果與閾值，可以對設備的安全狀態進行監測。當 s gt; λ 時，表示機電設備存在復合故障的情況，需要及時找到并進行故障診斷處理，降低故障發生的概率。

2 試驗測試與分析

2.1 試驗環境搭建

該試驗通過仿真高速公路機電設備運行環境，收集故障模式下的電壓時序數據，為利用時間卷積網絡進行模擬電路故障監測提供數據集。直流激勵設置為 + 1 5 V 。在仿真中，設置單故障集，對每一類故障模式進行Carlo分析，每個周期采樣120次。使用OrCAD進行電路仿真。試驗數據在搭載IntelE5-26708核CPU的服務器上進行處理和分析。具體試驗環境如下圖所示：

將數據輸入到模擬電路故障監測前，需要對數據樣本進行歸一化處理，映射到[0，1]區間內。試驗環境搭建在一個模擬的高速公路監控系統中，通信網關將采集到的數據傳輸至服務器。在故障監測階段，將待檢測的機電設備運行數據輸入訓練好的模型中，模型將輸出故障概率結果。

2.2結果與分析

該文針對高速公路機電設備復合故障數據進行了深入分析，發現這些數據具有顯著的波動性特征。采用模態分解法對負荷數據進行了模態分解，設置迭代次數為5000次，在殘余分量最大值小于1時停止。經過以上方法處理，成功分解為對應的模態分量，分解結果如圖所示：

由圖中結果可知，該文方法分解得到的重構誤差在[-1，1]之間，這充分說明了該文方法在處理復合故障數據時的準確性。通過采用該方法對高速公路機電設備復合故障數據進行模態分解，成功揭示了數據的內在特征，并有效提高了數據處理的效率。

為了驗證所提出的方法在故障監測過程中的有效性，該文針對多模態TE過程數據，開展復合故障監測的準確性驗證試驗。試驗中研究對象是正常工況、隨機變化故障。通過構建3000個測試樣本，評估了TCN故障監測方法的性能。具體如下圖所示：

試驗結果表明：試驗組的監測準確度達到了 9 5 % 而兩個對照組的監測準確度只在 60 % 以下。經過對比分析，發現該文方法在故障監測過程中能夠實現精準監測，相較于其他方法的準確性具有較大提升。這一結果驗證了所提出的時間卷積網絡模型在復合故障監測試驗中具有優越性。因此，可以得出結論，時間卷積網絡模型在多類故障的識別檢查能力上表現優異，具有較高的準確性和可靠性。

3結束語

該文基于時間卷積網絡提出了一種針對高速公路機電設備復合故障監測的創新方法。通過利用時間卷積網絡模型在處理時序數據中的優勢，結合多源數據融合技術和深度學習算法，實現了對機電設備故障的高效精準監測。然而，在實際應用中，復雜的設備運行環境可能導致數據的噪聲干擾，需要適應更高頻次、更大規模的數據處理需求。因此，結合實際運維需求，開發更加智能化的故障監測和預警系統，實現從監測到決策的全流程自動化。未來可通過持續優化技術手段和結合實際需求，提升故障監測的效率，為智慧交通的建設和發展提供堅實的基礎。

參考文獻

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

[2]魏曉鵬，高丙朋.基于優化MCKD-VMD與互相關譜的軸承復合故障監測[J].組合機床與自動化加工技術，2023（3）：78-81.

[3]王建國，田野，劉皓宇，等.復合故障下風電齒輪箱聲音信號耦合調制模型辨識與故障監測[J].儀器儀表學報，2024（8）：58-68.

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

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

[6]劉敏，程軍圣，謝小平，等.基于改進的辛周期模態分解的滾動軸承復合故障監測方法[J].振動與沖擊，2024（14）：47-56.

[7]張家軍，馬萍，張海，等.基于迭代增強變分模態提取的滾動軸承復合故障監測[J].振動與沖擊，2024（7）：255-265.

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

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

[10]王譽翔，鐘智偉，夏鵬程，等.基于改進Transformer的復合故障解耦監測方法[J].浙江大學學報（工學版），2023（5）：855-864.