基于時間卷積網(wǎng)絡的高速公路機電設備復合故障監(jiān)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(xiàn)各種類型的故障。需要結(jié)合用于處理時序數(shù)據(jù)的深度學習模型，并利用多層多升卷積結(jié)構(gòu)實施卷積操作，以實現(xiàn)高效地捕捉時序數(shù)據(jù)中的長期依賴關系。時間卷積網(wǎng)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(jiān)測，能夠從海量的運行數(shù)據(jù)中準確識別故障模式，提高監(jiān)測的實時性和準確性。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)測的準確率，在實際應用中實現(xiàn)故障的早期預警和智能監(jiān)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(yōu)載波，對最優(yōu)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(xiàn)準確監(jiān)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(yōu)化算法優(yōu)化參數(shù)。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(jiān)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(jiān)測難度。因此，該文以高速公路機電設備復合故障監(jiān)測為研究目標，基于時間卷積網(wǎng)絡，結(jié)合實際情況進行研究與分析。

1機電設備復合故障監(jiān)測

1.1機電設備復合故障數(shù)據(jù)提取

在無線傳感器網(wǎng)絡中，通過布置電流傳感器和監(jiān)測器采集機電設備復合故障數(shù)據(jù)。當新的電流傳感器節(jié)點請求加入網(wǎng)絡時，協(xié)調(diào)器節(jié)點負責進行驗證并為其分配地址[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)點的數(shù)據(jù)。電流傳感器節(jié)點采集復合電流的故障數(shù)據(jù)，間隔 1 . 3 m s 進行一次電流數(shù)據(jù)采樣。在規(guī)定的工頻電流波形周期內(nèi)，所有節(jié)點可收集周圍復合故障電流數(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)點的采樣過程可表示為：

式中， g （ t ） ——電流隨時間變化的函數(shù)； x 電流傳感器節(jié)點采樣值（A）。通過路由節(jié)點向電流傳感器節(jié)點傳遞信息，并將信息進行傳遞。將電流傳感器節(jié)點采集的數(shù)據(jù)信息完整地發(fā)送至協(xié)調(diào)器節(jié)點[4]。同時，利用協(xié)調(diào)器節(jié)點組裝Zigbee網(wǎng)絡，并設置網(wǎng)絡參數(shù)。當有新節(jié)點加入時，協(xié)調(diào)器節(jié)點為其分配地址，進而通過電流傳感器節(jié)點采集電流數(shù)據(jù)。采集到的電流數(shù)據(jù)需進行預處理，以獲取故障特征。將耦合網(wǎng)絡對應的三相信號解耦為互相獨立的模態(tài)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(xiàn)對故障數(shù)據(jù)的預處理。其計算公式為：

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

1.2時間卷積網(wǎng)絡模型增強故障特征

建立時間卷積網(wǎng)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(shù)據(jù)分析領域，時間卷積網(wǎng)絡能夠捕獲全局信息，還能實現(xiàn)并行處理，從而在處理長序列數(shù)據(jù)時展現(xiàn)出高效性[5]。利用時間卷積網(wǎng)絡模型對高速公路機電設備的時序數(shù)據(jù)進行卷積運算，提取反映設備狀態(tài)的重要故障特征，高效地處理時間序列數(shù)據(jù)。時間卷積網(wǎng)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(zhì)確保了因果關系，即當前狀態(tài)僅由歷史狀態(tài)決定。因果卷積的數(shù)學表達式為：

式中， —時間序列元素； w ——濾波器權(quán)重； k 濾波器狀態(tài)； y ——因果卷積的輸出。在實際應用中，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間關系，時間卷積網(wǎng)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(shù)學表達式為：

式中， d ——多升因子； f —濾波參數(shù)； 擴展卷積的輸出。同時，通過引入殘差連接來改善深度神經(jīng)網(wǎng)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(shù)學表達式為：

o = A （ x + G （ x ） ）

式中， A 激活函數(shù)； G （ x ） ——殘差變換函數(shù)； 殘差模塊的輸出。為了進一步提高時間卷積網(wǎng)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(wǎng)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(jīng)網(wǎng)絡模塊引入輸入數(shù)據(jù)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(wǎng)絡穩(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。輸入特征通過改進的時間卷積網(wǎng)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(jiān)測與監(jiān)測

在復合故障監(jiān)測過程中，運用近鄰標準化方法，并結(jié)合變分模態(tài)分解和時間卷積網(wǎng)絡模型進行故障監(jiān)測。數(shù)據(jù)集 X （ n ， m ） 中變量維數(shù)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(jù)在不同時間尺度下的增強特征信息，使用VMD對數(shù)據(jù)進行分解[。設定原始信號被分解為 k 個分量，為確保各模態(tài)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(zhuǎn)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(shù)據(jù)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(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(jié)果與閾值，可以對設備的安全狀態(tài)進行監(jiān)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(fā)生的概率。

2 試驗測試與分析

2.1 試驗環(huán)境搭建

該試驗通過仿真高速公路機電設備運行環(huán)境，收集故障模式下的電壓時序數(shù)據(jù)，為利用時間卷積網(wǎng)絡進行模擬電路故障監(jiān)測提供數(shù)據(jù)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(shù)據(jù)在搭載IntelE5-26708核CPU的服務器上進行處理和分析。具體試驗環(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，需要對數(shù)據(jù)樣本進行歸一化處理，映射到[0，1]區(qū)間內(nèi)。試驗環(huán)境搭建在一個模擬的高速公路監(jiān)控系統(tǒng)中，通信網(wǎng)關將采集到的數(shù)據(jù)傳輸至服務器。在故障監(jiān)測階段，將待檢測的機電設備運行數(shù)據(jù)輸入訓練好的模型中，模型將輸出故障概率結(jié)果。

2.2結(jié)果與分析

該文針對高速公路機電設備復合故障數(shù)據(jù)進行了深入分析，發(fā)現(xiàn)這些數(shù)據(jù)具有顯著的波動性特征。采用模態(tài)分解法對負荷數(shù)據(jù)進行了模態(tài)分解，設置迭代次數(shù)為5000次，在殘余分量最大值小于1時停止。經(jīng)過以上方法處理，成功分解為對應的模態(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合故障數(shù)據(jù)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(shù)據(jù)進行模態(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。

為了驗證所提出的方法在故障監(jiān)測過程中的有效性，該文針對多模態(tài)TE過程數(shù)據(jù)，開展復合故障監(jiān)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(gòu)建3000個測試樣本，評估了TCN故障監(jiān)測方法的性能。具體如下圖所示：

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

3結(jié)束語

該文基于時間卷積網(wǎng)絡提出了一種針對高速公路機電設備復合故障監(jiān)測的創(chuàng)新方法。通過利用時間卷積網(wǎng)絡模型在處理時序數(shù)據(jù)中的優(yōu)勢，結(jié)合多源數(shù)據(jù)融合技術(shù)和深度學習算法，實現(xiàn)了對機電設備故障的高效精準監(jiān)測。然而，在實際應用中，復雜的設備運行環(huán)境可能導致數(shù)據(jù)的噪聲干擾，需要適應更高頻次、更大規(guī)模的數(shù)據(jù)處理需求。因此，結(jié)合實際運維需求，開發(fā)更加智能化的故障監(jiān)測和預警系統(tǒng)，實現(xiàn)從監(jiān)測到?jīng)Q策的全流程自動化。未來可通過持續(xù)優(yōu)化技術(shù)手段和結(jié)合實際需求，提升故障監(jiān)測的效率，為智慧交通的建設和發(fā)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(jiān)測[J].振動與沖擊，2024（15）：160-168.

[2]魏曉鵬，高丙朋.基于優(yōu)化MCKD-VMD與互相關譜的軸承復合故障監(jiān)測[J].組合機床與自動化加工技術(shù)，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(diào)制模型辨識與故障監(jiān)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(nèi)、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(tài)分解的滾動軸承復合故障監(jiān)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(tài)提取的滾動軸承復合故障監(jiān)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(jù)理論融合的多通道齒輪箱復合故障監(jiān)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(gòu)建的零樣本滾動軸承復合故障監(jiān)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(jiān)測方法[J].浙江大學學報（工學版），2023（5）：855-864.